Umělá inteligence v šachu – přístup stroje versus přístup člověka

Ondřej Tomášek

Bakalářská práce

Artificial Intelligence in Chess - Human versus Machine Approach

Anotace:

Tato bakalářská práce zkoumá možnosti využití principů umělé inteligence k zachycení a simulaci lidského stylu hry v šachu s cílem porovnat strojové rozhodování k lidskému. Analyzuje vybrané algoritmy a přístupy používané při vývoji šachových programů – od tradičních vyhledávacích metod, jako jsou Minimax a Alfa-beta prořezávání, po moderní techniky hlubokého učení využívající konvoluční neuronové sítě (CNN) a architektury Transformer. Teoretická část srovnává tyto metody s poznatky o lidské kognici a myšlení vycházejícími z výzkumů Adriaana de Groota, teorií shlukování a šablon Simona, Chase a Gobeta, konceptu omezené racionality Herberta Simona, modelu CHREST a pohledů Tichomirova a Saariluomy na apercepci a holistické vnímání, které právě ze hry šachu přímo vycházely. Analýza ukazuje, že mezi současnými modely AI a lidským myšlením existují výrazné paralely i rozdíly. Konvoluční sítě vykazují podobnost s přístupem člověka, který popisujují Simon, Chase a Gobet ve své teorii shlukování. Rozdíl mezi modelem lidského myšlení dle teorií Simona, Chase a Gobeta a přístupem CNN modelů nastává zejména v adaptivní povahu lidské paměti, kterou šachové stroje nevykazují. Saariluomova teorie apercepce, popisující abstrakci a následnou analýzu problému, se vzdaluje výpočetně náročným postupům klasických šachových AI modelů. Architektury Transformer sice mechanismem pozornosti částečně připomínají proces apercepce, ale zatím nedokážou plně modelovat dynamiku lidského myšlení. Praktická část práce se zaměřuje na návrh, implementaci a testování konvoluční neuronové sítě určené k napodobení lidského šachového chování. Model byl trénován na rozsáhlém souboru partií z Lichess.org s tensorovou reprezentací šachové pozice (8×8×20). Architektura obsahuje vstupní konvoluční vrstvu, šest reziduálních bloků se Squeeze-and-Excitation mechanismy a dvě výstupní větve – pro predikci tahů a hodnocení pozic. Experimenty prokázaly, že model dosahuje Top-1 přesnosti 50,79 % a Top-10 přesnosti 96,61 % při predikci lidských tahů. Více než 99 % jeho Top-1 predikcí v zahájeních bylo legálních a hodnocení pozic vykazuje vysokou spolehlivost. Přestože model občas chybuje u méně častých taktických motivů, úspěšně napodobuje lidský styl hry včetně typických lidských strategických principů i omylů a dosahuje výkonnosti, která odpovídá přibližně 1500 bodům ELO na platformě Lichess.org.

Abstract:

This bachelor’s thesis explores the possibilities of using artificial intelligence principles to capture and simulate the human style of play in chess, with the aim of comparing machine decisionmaking to human one. It analyzes selected algorithms and approaches used in the development of chess programs – from traditional search methods such as Minimax and Alpha-Beta pruning to modern deep learning techniques employing convolutional neural networks (CNNs) and Transformer architectures. The theoretical part compares these methods with findings about human cognition and thought processes based on the research of Adriaan de Groot, the chunking and template theories of Simon, Chase, and Gobet, Herbert Simon’s concept of bounded rationality, the CHREST model, and the views of Tikhomirov and Saariluoma on apperception and holistic perception – concepts that originally emerged from the study of chess. The analysis shows that there are significant parallels as well as differences between contemporary AI models and human thinking. Convolutional networks exhibit similarities to the human approach described by Simon, Chase, and Gobet in their chunking theory. The key difference between the human thought model according to Simon, Chase, and Gobet, and the CNN approach lies mainly in the adaptive nature of human memory, which chess engines do not possess. Saariluoma’s theory of apperception, describing the abstraction and subsequent analysis of a problem, diverges from the computationally intensive procedures of classical chess AI models. Although Transformer architectures partially resemble the process of apperception through their attention mechanism, they are not yet capable of fully modeling the dynamics of human thought. The practical part of the thesis focuses on the design, implementation, and testing of a convolutional neural network intended to imitate human chess behavior. The model was trained on a large dataset of games from Lichess.org using a tensor representation of chess positions (8×8×20). The architecture includes an input convolutional layer, six residual blocks with Squeeze-andExcitation mechanisms, and two output branches — one for move prediction and one for position evaluation. Experiments demonstrated that the model achieves a Top-1 accuracy of 50.79% and a Top-10 accuracy of 96.61% in predicting human moves. Over 99% of its Top-1 predictions in openings were legal, and its position evaluations show high reliability. Although the model occasionally errs on less common tactical motifs, it successfully imitates the human playing style, including typical strategic principles and mistakes, reaching a performance roughly equivalent to 1500 ELO points on the Lichess.org platform.

Klíčová slova

šachy, umělá inteligence, člověk, neuronové sítě, algoritmy

Keywords

artificial intelligence, human, neural networks, chess, algorithms

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 7. 12. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 29. 1. 2026
• Vedoucí: Petr Berka
• Oponent: Ondřej Vadinský

Vysoká škola ekonomická v Praze

Bakalářský studijní program:
Data Analytics