KI News: Kurz und klar.

In der Bewertung von Large Language Models (LLMs) im Schach wird die Leistung bislang vor allem anhand von Genauigkeitswerten gegenüber starken Engines wie Stockfish gemessen. Doch hohe Zahlen bedeuten nicht automatisch, dass das Modell die zugrunde liegende Logik versteht.

Erklärbare Künstliche Intelligenz (XAI) soll die Transparenz moderner Modelle erhöhen, indem sie Nutzern verständliche Erklärungen liefert. In der Forschung gibt es jedoch keine einheitlichen Standards, um die Qualität dieser Erklärungen zu beurteilen. Häufig werden ad-hoc-Methoden wie einfache Befragungen eingesetzt, bei denen Nutzer die Modelle mit und ohne Erklärungen vergleichen.

Eine neue Studie aus dem arXiv‑Repository untersucht, wie strategische Entscheidungen im Schach zwischen sofortigen Chancen und langfristigen Zielen abgewogen werden. Dabei wurden Spiele von Menschen gegen Menschen sowie von KI gegen KI analysiert. Die Forscher entwickelten ein netzwerkbasiertes Messinstrument, das die Interaktion zwischen einzelnen Figuren quantifiziert und damit die fortlaufende strategische Spannung auf dem Brett erfasst.

Im Gegensatz zum klassischen Schach, bei dem jede mögliche Zügefolge exakt definiert ist, arbeitet das maschinelle Lernen mit unzähligen, oft unvorhersehbaren Datenpunkten. Während ein Schachcomputer auf festgelegten Regeln und einer großen Datenbank von Partien zurückgreift, lernt ein neuronales Netzwerk aus Beispielen und passt seine Parameter kontinuierlich an.