Chiến Thuật Thắng AI Trong Cờ Vây: Lập Kế Hoạch Đối Kháng Đơn Giản Nhưng Hiệu Quả

Một chiến thuật bất ngờ giúp đánh bại AI cờ vây hàng đầu thế giới đã được phát hiện.

Cờ vây được biết đến là lĩnh vực đầu tiên mà trí tuệ nhân tạo (AI) xâm nhập và giành chiến thắng. Trước thềm năm 2016, người chơi cờ vây hàng đầu còn có thể dễ dàng đánh bại các cỗ máy AI mạnh nhất. Tuy nhiên, sự xuất hiện của AlphaGo từ DeepMind đã thay đổi hoàn toàn cục diện, khi hệ thống này được trang bị công nghệ học sâu cho phép nó tự cải thiện kỹ năng chơi một cách vượt trội. Gần đây, hệ thống KataGo đã trở nên phổ biến hơn, với khả năng đánh bại những kỳ thủ hàng đầu trong lĩnh vực cờ vây.

AlphaGo từng khiến nhiều kỳ thủ con người ‘ôm hận’.

Gần đây, một nhóm nghiên cứu đã công bố phương pháp khả thi để vượt qua KataGo, áp dụng các chiến thuật không ngờ để khai thác những điểm yếu của AI này. Bằng cách thực hiện những nước đi bất thường mà KataGo không được huấn luyện, một chương trình cờ vây khác, mặc dù được đánh giá là yếu hơn rất nhiều, đã có thể đánh bại KataGo.

Theo Adam Gleave, một ứng viên tiến sĩ tại UC Berkeley, nhóm của ông đã phát triển một chiến lược được gọi là ‘chính sách đối kháng’. Phương pháp này kết hợp giữa mạng nơ-ron và kỹ thuật cây tìm kiếm Monte Carlo để tìm ra nước đi tối ưu.

KataGo đã học cờ vây bằng cách tham gia hàng triệu trận đấu với chính nó. Tuy nhiên, điều này vẫn không đủ để trang bị cho nó khả năng xử lý mọi tình huống, từ đó tạo ra những lỗ hổng do các ‘hành vi không mong muốn’.

‘KataGo có khả năng khái quát tốt cho nhiều chiến lược mới, nhưng lại yếu đi khi rời xa các trận đấu mà nó đã thấy trong quá trình luyện tập’, Gleave cho biết. ‘Chúng tôi đã phát hiện một chiến lược ‘không phân phối’ mà KataGo đặc biệt dễ mắc phải, và có thể nhiều chiến lược khác tương tự cũng tồn tại.’

Chiến thuật mới khiến KataGo (quân trắng) thua dù lãnh thổ chiếm được có vẻ rộng hơn rất nhiều.

Gleave đã giải thích trong một trận đấu cờ vây rằng ‘chính sách đối đầu’ hoạt động bằng cách đặt quân cờ đầu tiên vào một góc của bàn cờ. Điều này khiến đối thủ, kiểm soát quân đen, chủ yếu tấn công ở phía trên bên phải, trong khi KataGo (chơi quân trắng) chiếm phần lớn diện tích bàn chơi. Sau đó, KataGo dễ dàng bí mật gửi vào một số quân cờ dễ bị tấn công trong lãnh thổ của nó.

‘Điều này làm cho KataGo tin rằng nó thắng’, Gleave nói. ‘Bởi vì lãnh thổ mà nó chiếm được lớn hơn nhiều so với đối thủ. Nhưng vùng dưới bên trái của bàn cờ (trong hình trên) không mang lại điểm số cho nó, vì có sự hiện diện của quân đối thủ, dẫn đến lãnh thổ này không hoàn toàn được kiểm soát.’

Khi KataGo cảm thấy quá tự tin về chiến thắng của mình – AI này cho rằng nó sẽ thắng nếu kết thúc trận đấu với số điểm dự đoán, và khi không còn khu vực nào để mở rộng, KataGo đã thực hiện một nước đi nhường lượt, tiếp theo đối thủ cũng tương tự. Đây chính là dấu hiệu kết thúc trò chơi cờ vây, và cả hai sẽ dừng lại để tính điểm.

Cuối cùng, kết quả không như KataGo mong đợi. Theo báo cáo của nhóm nghiên cứu, đối thủ của nó đã ghi điểm cho lãnh thổ ở góc của mình, trong khi KataGo không thể ghi điểm cho khu vực đó vì sự hiện diện của quân đối thủ.

Sau cờ vây, nhiều bộ môn cờ khác cũng đã bị AI lấn át như cờ vua, cờ tướng…

Mặc dù đối với KataGo, chiến thuật này có vẻ khó đánh bại, nhưng những người chơi nghiệp dư lại có thể dễ dàng vượt qua AI này. Mấu chốt là chiến thuật này đơn giản để khai thác những điểm mù mà KataGo không lường trước. Điều này chỉ ra rằng nhiều hệ thống AI học sâu cũng có thể chịu ảnh hưởng tương tự.

‘Nghiên cứu này cho thấy rằng các hệ thống AI dường như hoạt động khác với con người, thường dẫn đến những thất bại dễ dàng gây bất ngờ’, Gleave giải thích. ‘Kết quả này rất thú vị trong cờ vây, nhưng các lỗ hổng tương tự trong những hệ thống quan trọng khác có thể gây ra hậu quả nghiêm trọng.’

Hãy tưởng tượng một AI trong lĩnh vực xe tự lái gặp phải tình huống cực kỳ hiếm gặp mà nó không được chuẩn bị, như việc bị con người đánh lừa để thực hiện hành vi nguy hiểm. Gleave nhấn mạnh rằng ‘nghiên cứu này chỉ ra tầm quan trọng của việc kiểm tra các hệ thống AI một cách cẩn thận để tìm ra các lỗi trong các tình huống xấu nhất, không chỉ kiểm tra trong điều kiện bình thường.’