SlideShare a Scribd company logo
1 of 26
Download to read offline
Schach und Computer
Jérôme KUNEGIS
Seminar »Geschichte der Entwicklung des Computers«
WS 2004/2005
Schach und Intelligenz
Intelligenz wird als Grundvoraussetzung zum 
Schachspielen betrachtet.  Somit ist die Suche 
nach einem Schach­Algorithmus eine einfache 
Form der Suche nach künstlicher Intelligenz.
Es ist einfach, Stärke von Mensch und 
Computer zu vergleichen
Das Schachspiel
• Brettspiel zwischen zwei 
Parteien, Weiß und Schwarz
• Quadratisches 8×8­Feld, 
sechs verschiedene 
Figurenarten
• Weiß beginnt, danach zieht 
jede Seite abwechselnd
• Gewinn durch Mattsetzen
• Kein Glücksspiel
Der »Türke«
• Österreich 1769:  
Baron Wolfgang v. 
Kempelen baut eine 
Schachmaschine
• Die Maschine 
gewinnt oft, u.a. 
gegen Napoléon
• Einige Partien gehen 
verloren
Edgar Allan Poe
• Kommentar zum Türken von Edgar Allan Poe 1836:  
„Ist das Prinzip erst einmal entdeckt, nach welchem 
man eine Maschine dazu bringen kann, Schach zu 
spielen, so bedarf es bloß einer Erweiterung, sie 
jedes Spiel gewinnen zu lassen, will sagen, sie in den 
Stand zu setzen, jedweden Gegenspieler zu 
schlagen.“
• Ist die Maschine also eine Fälschung?
• Ja, aber die Argumentation von Poe ist falsch.  Im 
Türken saß ein kleiner Schachspieler
Weitere Ideen
Anfang des 19ten
 Jahrhunderts:  Charles 
Babbage plant, auf seiner Analytical Engine ein 
Schachprogramm laufen zu lassen
Konrad Zuse:  Skizziert ein Schachprogramm 
mit Hilfe des Plankalküls
Leonardo Torres y Quevedo
• Spanien 1890:  Leonardo Torres y Quevedo, 
Ingenieur und Mathematiker, baut eine 
Maschine, die das Endspiel KT­K beherrscht
• Nur sehr beschränkter Bereich des 
Schachspiels
• Erste schachspielende Maschine
• Zu besichtigen in der Polytechnischen 
Universität Madrid
Alan Turing
• Alan Turing, Englischer Mathematiker, entwirft 
1950 TurboChamp, einen Algorithmus zum 
Schachspielen
• Er hat jedoch noch keinen Computer zur 
Verfügung
• 1952 findet eine Partie gegen einen Amateur 
statt:  Der Amateur gewinnt.
Claude Shannon
• USA 1949:  Claude Shannon hält eine 
Rede mit dem Titel »Programming a 
Computer for Playing Chess«
• Er Stellt darin den Minimax­Algorithmus 
vor:  Zugbaum aufstellen, Blätter bewerten, 
Knoten bewerten mit Minimum oder 
Maximum der Blattbewertungen, je 
nachdem ob Weiß oder Schwarz am Zug 
ist
• Problem:  zu viele Stellung (10120
 
Stellungen insgesamt)
Claude Shannon B
Claude Shannon entwickelt also eine zweite 
Strategie, die er B­Strategie nennt
Je nach Bewertung eines Zuges verschieden 
Tief rechnen
Dazu sind gute Heuristiken nötig, z.B. 
Schachgeben und Schlagzüge bevorzugen
MANIAC I
• USA 1956:  Der Programmierbare Computer 
MANIAC I wird in Los Alamos für militärische 
Zwecke gebaut (11.000 Ops/Sek)
• Ein einfaches Schachprogramm wird dort 
implementiert, jedoch für 6×6­Brett ohne 
Läufer
• Zum ersten Mal gewinnt ein Computer gegen 
einen Menschen
• Allerdings hatte der Mensch erst am selben 
Tag Schachspielen gelernt
MANIAC I
60er
 und 70er
 Jahre
Verschiedene Schachprogramme werden 
geschrieben und erreichen akzeptables Niveau
MacHack von Richard Greenblatt (Student am 
MIT, 1966)
Chess 3.0 von David Slate, Larry Atkin, Keith 
Gorlen:  gewinnt  1970 das erste ACM­Turnier, 
die erste Computerschach­Meisterschaft
David Levy, ein Schottischer Meister, wettet 
1968, dass kein Computer in zehn Jahren 
besiegen kann gegen John McCarthy
Er gewinnt die Wette, verliert jedoch 1979 gegen 
Chess 4.8
Belle
• Schachcomputer Belle von Joe 
Condon und Ken Thompson 
(bekannt von Unix, UTF­8, …)
• Speziell gebauter Computer, der 
Schach spielt
• Erhält 1983 den Titel des 
nationalen Meisters von der USA­
Schachföderation
• 160.000 Stellungen/Sek
Belle
Neuerungen von Thompson
Eröffnungsbuch:  Liste von bekannten 
Eröffnungszügen
Hashtabellen:  Zugumstellung erkennen (wenn 
verschiedene Zugfolgen zur selben Stellung 
führen)
Später auch Endspieldatenbanken:  Im Voraus 
berechnete Liste aller Stellungen in Endspielen 
mit wenig Figuren (z.Z. bis zu sechs)
Cray Blitz
1981:  Das Programm Blitz von Robert Hyatt 
läuft mit Hilfe von Al Gower auf einem Cray­
Computer, dem leistungsfähigsten Computer der 
Zeit
Trifft mehrfach in Turnieren auf Belle, verliert 
alle Partien
1983:  Blitz wird auf zwei Crays laufen gelassen, 
und gewinn nun doch gegen Belle
Cray Blitz
Deep Thought
• Carnegie­Mellon­Universität (Pittsburgh, USA) 
1986:  Vier Doktoranden implementieren 
Schachalgorithmen in Hardware; darunter 
Feng­Hsiung Hsu
• Nimmt an Turnieren unter dem Namen 
ChipTest teil 
• Die Forscher werden von IBM eingestellt.  Der 
Computer wird in Deep Thought umbenannt
Wann wird der Weltmeister 
besiegt?
Frage:  Wann wird ein Computer den 
Schachweltmeister in einem Match besiegen?
Antworten:  1994 (Hsu), 1999 (Shannon), 2010 
(Kasparow), 2018 (Thompson)  
(gegeben zwischen 1991 und 1995)
Deep Blue
• 1996:  IBM baut ein Nachfolger von 
Deep Thought und nennt ihn Deep Blue
• 200 Prozessoren
• Es wird ein Match über sechs Partien 
gegen den Weltmeister Garri Kasparow 
veranstaltet
• Deep Blue gewinnt die erste Partie
• Kasparow gewinnt drei der restlichen 
fünf Partien und somit das Match 4–2
Deep Blue 1997
Deep Blue wird verbessert.  Ein Jahr später, im 
Mai 1997, findet in New York ein weiteres Match 
gegen Kasparow statt
480 Prozessoren, 200 Mio. Stellungen/Sek
Deep Blue gewinnt 3½–2½ 
Kasparow verlangt eine Revanche, aber IBM 
lehnt ab
Moderne Matches
Neuere Matches haben keinen Computersieg 
gebracht
2002:  unentschieden zwischen Wladimir 
Kramnik und Deep Fritz
2003:  unentschieden zwischen Kasparow und 
Deep Junior
2003:  unentschieden zwischen Kasparow und 
Fritz X3D
Neue spezielle Schachcomputer wurden nicht 
gebaut
Miniaturisierung
Heutzutage sehr sind sehr kompakte 
Schachcomputer realisierbar
Eine Vielzahl an Schachsoftware:  Fritz, GNU 
Chess, …
Intelligenz?
Hat man also künstliche Intelligenz geschaffen?
Vorherrschende Meinung:  Nein.  Computer wie 
Deep Blue sind nicht intelligent.  Schach ist wohl 
doch kein geigneter Test der Intelligenz
Andere Brettspiele wie Go haben im 
Durchschnitt in jeder Stellung viel mehr legale 
Züge, und sind für Computer viel schwieriger zu 
spielen
Ende
Referenzen
Steinwender, Friedel:  Schach am PC Markt­
und­Technik­Verlag 1995
{de,en,fr,es}.Wikipedia.org
Zeitschrift Schach, Ausgabe Mai 1997

More Related Content

More from Jérôme KUNEGIS

Preferential Attachment in Online Networks: Measurement and Explanations
Preferential Attachment in Online Networks:  Measurement and ExplanationsPreferential Attachment in Online Networks:  Measurement and Explanations
Preferential Attachment in Online Networks: Measurement and Explanations
Jérôme KUNEGIS
 
Predicting Directed Links using Nondiagonal Matrix Decompositions
Predicting Directed Links using Nondiagonal Matrix DecompositionsPredicting Directed Links using Nondiagonal Matrix Decompositions
Predicting Directed Links using Nondiagonal Matrix Decompositions
Jérôme KUNEGIS
 
Why Beyoncé Is More Popular Than Me – Fairness, Diversity and Other Measures
Why Beyoncé Is More Popular Than Me – Fairness, Diversity and Other MeasuresWhy Beyoncé Is More Popular Than Me – Fairness, Diversity and Other Measures
Why Beyoncé Is More Popular Than Me – Fairness, Diversity and Other Measures
Jérôme KUNEGIS
 
Fairness on the Web: Alternatives to the Power Law (WebSci 2012)
Fairness on the Web:  Alternatives to the Power Law (WebSci 2012)Fairness on the Web:  Alternatives to the Power Law (WebSci 2012)
Fairness on the Web: Alternatives to the Power Law (WebSci 2012)
Jérôme KUNEGIS
 
Searching Microblogs: Coping with Sparsity and Document Quality
Searching Microblogs: Coping with Sparsity and Document QualitySearching Microblogs: Coping with Sparsity and Document Quality
Searching Microblogs: Coping with Sparsity and Document Quality
Jérôme KUNEGIS
 

More from Jérôme KUNEGIS (18)

Eight Formalisms for Defining Graph Models
Eight Formalisms for Defining Graph ModelsEight Formalisms for Defining Graph Models
Eight Formalisms for Defining Graph Models
 
What Is the Added Value of Negative Links in Online Social Networks?
What Is the Added Value of Negative Links in Online Social Networks?What Is the Added Value of Negative Links in Online Social Networks?
What Is the Added Value of Negative Links in Online Social Networks?
 
KONECT – The Koblenz Network Collection
KONECT – The Koblenz Network CollectionKONECT – The Koblenz Network Collection
KONECT – The Koblenz Network Collection
 
Preferential Attachment in Online Networks: Measurement and Explanations
Preferential Attachment in Online Networks:  Measurement and ExplanationsPreferential Attachment in Online Networks:  Measurement and Explanations
Preferential Attachment in Online Networks: Measurement and Explanations
 
Predicting Directed Links using Nondiagonal Matrix Decompositions
Predicting Directed Links using Nondiagonal Matrix DecompositionsPredicting Directed Links using Nondiagonal Matrix Decompositions
Predicting Directed Links using Nondiagonal Matrix Decompositions
 
Online Dating Recommender Systems: The Split-complex Number Approach
Online Dating Recommender Systems: The Split-complex Number ApproachOnline Dating Recommender Systems: The Split-complex Number Approach
Online Dating Recommender Systems: The Split-complex Number Approach
 
Why Beyoncé Is More Popular Than Me – Fairness, Diversity and Other Measures
Why Beyoncé Is More Popular Than Me – Fairness, Diversity and Other MeasuresWhy Beyoncé Is More Popular Than Me – Fairness, Diversity and Other Measures
Why Beyoncé Is More Popular Than Me – Fairness, Diversity and Other Measures
 
Fairness on the Web: Alternatives to the Power Law (WebSci 2012)
Fairness on the Web:  Alternatives to the Power Law (WebSci 2012)Fairness on the Web:  Alternatives to the Power Law (WebSci 2012)
Fairness on the Web: Alternatives to the Power Law (WebSci 2012)
 
Fairness on the Web: Alternatives to the Power Law
Fairness on the Web:  Alternatives to the Power LawFairness on the Web:  Alternatives to the Power Law
Fairness on the Web: Alternatives to the Power Law
 
KONECT Cloud – Large Scale Network Mining in the Cloud
KONECT Cloud – Large Scale Network Mining in the CloudKONECT Cloud – Large Scale Network Mining in the Cloud
KONECT Cloud – Large Scale Network Mining in the Cloud
 
On the Spectral Evolution of Large Networks (PhD Thesis by Jérôme Kunegis)
On the Spectral Evolution of Large Networks (PhD Thesis by Jérôme Kunegis)On the Spectral Evolution of Large Networks (PhD Thesis by Jérôme Kunegis)
On the Spectral Evolution of Large Networks (PhD Thesis by Jérôme Kunegis)
 
Searching Microblogs: Coping with Sparsity and Document Quality
Searching Microblogs: Coping with Sparsity and Document QualitySearching Microblogs: Coping with Sparsity and Document Quality
Searching Microblogs: Coping with Sparsity and Document Quality
 
Bad News Travel Fast: A Content-based Analysis of Interestingness on Twitter
Bad News Travel Fast: A Content-based Analysis of Interestingness on TwitterBad News Travel Fast: A Content-based Analysis of Interestingness on Twitter
Bad News Travel Fast: A Content-based Analysis of Interestingness on Twitter
 
On the Scalability of Graph Kernels Applied to Collaborative Recommenders
On the Scalability of Graph Kernels Applied to Collaborative RecommendersOn the Scalability of Graph Kernels Applied to Collaborative Recommenders
On the Scalability of Graph Kernels Applied to Collaborative Recommenders
 
Learning Spectral Graph Transformations for Link Prediction
Learning Spectral Graph Transformations for Link PredictionLearning Spectral Graph Transformations for Link Prediction
Learning Spectral Graph Transformations for Link Prediction
 
The Slashdot Zoo: Mining a Social Network with Negative Edges
The Slashdot Zoo:  Mining a Social Network with Negative EdgesThe Slashdot Zoo:  Mining a Social Network with Negative Edges
The Slashdot Zoo: Mining a Social Network with Negative Edges
 
Spectral Analysis of Signed Graphs for Clustering, Prediction and Visualization
Spectral Analysis of Signed Graphs for Clustering, Prediction and VisualizationSpectral Analysis of Signed Graphs for Clustering, Prediction and Visualization
Spectral Analysis of Signed Graphs for Clustering, Prediction and Visualization
 
Network Growth and the Spectral Evolution Model
Network Growth and the Spectral Evolution ModelNetwork Growth and the Spectral Evolution Model
Network Growth and the Spectral Evolution Model
 

Schach und Computer