30 Weird Chess Algorithms: Elo World

Tom 以棋子色盲/棋子盲为核心，设计只能看到 64 位棋盘掩码的弱棋手，并比较随机、偏好规则、传统搜索、记忆棋谱和神经网络等策略。他用大量对局和 Elo 评分比较策略，还通过混合随机步与 Stockfish 强化棋手分层。最终模型依靠神经网络猜测棋盘、再调用 Stockfish 选步，并用 spy check 缓解错误预测；结果揭示了信息受限时策略的能力与失效边界。

自动字幕 · 引文按字幕原文展示，可点时间戳回看片段。

视频章节 6

1. ▶ 0:00
   提出计算机盲棋问题
2. ▶ 5:27
   随机与简单偏好策略
3. ▶ 11:07
   规则策略和传统搜索
4. ▶ 19:49
   Stockfish 与 NES 引擎
5. ▶ 24:43
   数学常数驱动的策略
6. ▶ 29:16
   神经网络盲棋与评估

具体观点与证据 4

受限棋手若可交互查询合法着，会从反馈泄露棋盘信息；一次性提交所有着法排序可控制这一信息通道。

是作者自定的棋子盲实验协议，不是通常国际象棋规则。

it could learn a lot about the position just by trying out moves

▶ 4:21–5:01 探索此观点 →

棋盘占位位图丢失棋子身份，网络恢复棋盘的错误既有模型局限，也有输入表示本身的歧义。

约20%完整恢复率属于这次实验，不能泛化到其他任务。

this has to have some mistakes since the representation is ambiguous

▶ 32:02–32:08 探索此观点 →

记忆常见局面的开局库在陌生局面退化为随机，而更小的预测网络在本次盲棋实验中表现更强。

比较的是特定记忆基线与网络方案，不证明神经网络总优于检索。

this player performs significantly better than random due to its knowledge of openings but also significantly worse than the blinded players

▶ 38:07–38:15 探索此观点 →

强弱选手几乎总是单向胜负时难以估计实力差距；插入随机与强引擎的混合选手可改善Elo分层。

测试集设计和评分辨识问题，不是提高棋力的训练方法。

making these engines better isn't gonna make them beat lousy any more often than always

▶ 39:29–39:37 探索此观点 →

补充字幕原文 2

限制输入信息：棋手获知棋子所在格，却不知道棋子种类。

the computer gets to see where the pieces are

▶ 2:00–2:07

模型推断可能产生无效棋盘，因此作者增加规则修正和 spy check 来处理。

the neural network predicts a board that's invalid

▶ 33:23–33:31

解读边界

这是一个以娱乐和基准比较为目的的实验性项目；Elo 对手池、训练数据和算法设置影响结果，字幕识别有棋类术语错误。