理解国际象棋神经网络的习得前瞻行为

我们研究了下棋神经网络的预判能力，特别关注 Leela Chess Zero 策略网络。我们在 Jenner 等人（2024）工作的基础上，分析了模型考虑未来走法和超越紧邻下一步的替代序列的能力。我们的研究结果表明，网络的前瞻行为高度依赖于上下文，根据具体的国际象棋局面而显著变化。我们证明，该模型能够处理多达未来七步的棋盘状态信息，并在不同的未来时间步中利用相似的内部机制。此外，我们提供证据表明，网络会考虑多种可能的走法序列，而不是专注于单一的行棋路线。这些结果为在战略任务上训练的神经网络中复杂前瞻能力的涌现提供了新的见解，有助于我们理解人工智能在复杂领域中的推理。我们的工作还展示了可解释性技术在揭示人工智能系统中类认知过程方面的有效性。