我既是国际象棋玩家，也是计算机程序员。我会说下棋和编程是我花费最多时间做的两件事。自然，我想创建自己的引擎，并最终创建Lichess机器人。

继去年AlphaZero对Stockfish表现出色之后，我正在考虑是否应该使用机器学习（某种类型的神经网络，可能使用Tensorflow）或传统的，硬编码的启发式算法来创建此引擎。

与其他种类的硬编码相比，我对神经网络不太熟悉。不过，对于我来说，这可能还是学习神经网络的一种好方法。

我正在考虑的另一件事是，使用哪种语言对引擎进行编码是否重要。我知道许多国际象棋引擎都使用C ++，这是我以前从未使用过的。我使用了其他基于C的语言，它们执行许多相同的操作，但语法大多不同。我最熟悉Swift和Javascript，但也熟悉Python，并认为它可以帮到我。

因此，就创建尽可能强大的国际象棋引擎而言，我应该使用神经网络还是硬编码？

第一步：定义您的目标/原因

我认为这是主要因素。以下哪项最适合您？（仅选择一个）

1. 您想享受有趣，富有挑战性的编码任务
2. 您想创建一个非常好的国际象棋引擎
3. 您想了解国际象棋引擎如何工作
4. 您想学习/练习编码技能
5. 您想学习/实施计算机科学的概念/理论（例如机器学习）
6. （其他）

IMO可以“抛硬币”（除了2以外的任何东西）是很好的。对于其他所有东西，无论选择ML还是硬编码，您都可以实现自己的目标。但是，您可能希望在选择之间进行比较以帮助您做出决定。

硬编码的情况

下棋（作为人类）涉及逻辑思维。您探索您和对手可以采取的可能行动的空间。这催生了一个称为博弈论的领域，其中包含用于分析博弈的理论框架。

如果您喜欢处理细节，并且对事物进行具体说明和推理，那么这对您来说可能会很好。相比之下，机器学习涉及更多模糊且不透明的“黑匣子”算法。您不知道到底发生了什么。

另外，我认为如果您采用硬编码而不是机器学习的方法，那么“自行解决”的时间会更轻松。减少您不太了解的复制粘贴内容。

机器学习案例

诞生一个创造并看着它活出自己的生命可能会令人兴奋。尽管硬编码是关于精度和细节的，但机器学习却很灵活。带走一些神经元，结果可能会相似。

硬编码是关于学习国际象棋的。机器学习与研究您创造的生物有关。

机器学习当然是一个非常热门的话题。

硬编码的语言选择

我不确定您所说的“其他基于C的语言”是什么意思。C ++是唯一类似于C的主流语言。C/ C ++的优点是它们速度很快。尽管其他语言已经流行了多年，但是C ++仍然为他们提供了赚钱的机会。

C ++并不容易。借助Rust，Golang或Swift等更现代的编译语言，您将获得出色的性能。但是，如果您选择JIT语言，应该不会更糟。即不要使用CPython解释器 ; 使用IronPython或Jython，或Node，或C＃或Java。

GPU编程需要另一种方法，因此我建议您不要这样做。

机器学习的语言选择

TensorFlow的问题在于它是非常低级的。与编写专用于机器学习的接口有关的不仅仅是编写数字运算算法（可以将其植入并行硬件）。

当然，这可能是很棒的学习经历！今天当然非常值得学习。但是，您可能要从Keras或PyTorch开始。

如果您想使最强大的引擎成为可能，那么绝对要使用NN引擎。

传统的引擎很棒-可以说，Stockfish在共识硬件上仍然是地球上最强大的引擎-但它们很难编写。这些引擎无法在一夜之间到达目的地。他们花了很多年的时间。例如，鱼类已经连续六年稳步增长。如果您从头开始，您将无法很快达到斯托克鱼的实力；实际上，您很可能会从Stockfish当前所在的位置拖延几百个elo。为了进行比较，目前一些最强大的单作者引擎是Ethereal，Laser和Xiphos（我忽略了Houdini＆Fire，因为它们不是开源的）。这些引擎都比Stockfish弱得多。

为什么它们这么弱？两个原因：

1. 在此级别上，开发引擎需要大量的计算能力。您要做的就是仔细检查代码，并确定一个可以发挥作用的想法。一个示例的想法是，“如果我们知道此举可能是好的，请不要搜索使该举动逆转的分支机构”（如果这对您没有意义，那么这也意味着学习曲线也会很高）。然后，您编写一个实现该想法的补丁，并针对先前版本测试修改后的引擎。在此级别上，要获得足够大的样本量才能判断补丁是否有效，需要数万场游戏。玩这些游戏需要大量的计算能力。Stockfish可以使用超级硬件：截至撰写本文时，Stockfish测试场Fishtesting以1038个内核运行。为了进行比较，典型的台式计算机可能具有4-8个内核。

2. 另一个原因是Stockfish有很多人支持。截至撰写本文时，有5个人正在测试8个补丁。如果查看补丁历史，就会发现更多编写补丁的开发人员。我不知道有多少活跃的Stockfish开发人员，但是肯定是> 20。

另一方面，NN引擎（相对）轻松达到远高于Ethereal / Laser / Xiphos的强度。在最新的国际象棋引擎冠军锦标赛中亲身体验。Ethereal / Laser / Xiphos属于第1联赛，这是足够可信的，但顶级部门（Division P）的引擎是：

• Stockfish（社区支持的传统引擎，与Fishtesting一起运行）
• Komodo（商业传统引擎，有专职开发人员）
• Komodo MCTS（商业半传统引擎，有专职开发人员）
• Houdini（商业传统引擎，是一个人的努力，两年没有更新）
• Leela Chess Zero（社区支持的NN引擎，以Fishtesting的模拟名运行，也称为大量硬件）
• AllieStein（2-人NN引擎）
• Stoofvlees（NN引擎）
• ScorpioNN（NN引擎）

最后三个引擎-AllieStein，Stoofvlees和ScorpioNN-都是由小规模的协作，据我所知，他们是像您这样的发烧友，而不是专职开发人员。经过不到两年的尝试，他们已经达到了Div P的实力（所有这些NN引擎仅在AlphaZero之后出现）。为了进行比较，在最近的计算机国际象棋历史上，只有一个人编写过传统引擎，并与他自己成功地与Stockfish＆Komodo竞争（Robert Houdart，Houdini的作者）。

的确，您可能没有与Lc0竞争的硬件，但是Lc0具有如此大的计算能力，因为它是一个“零”引擎-它应该在规则之外没有任何人类知识的情况下下棋。您无需使用相同的方法。您可以使用Stein方法，例如使用监督学习的方法。可以说它甚至比“零”更好-毕竟，这是AllieStein在超级决赛中的比赛，而不是Lc0。

结果是：如果您的目标是与世界上最好的引擎竞争，那么与传统引擎相比，您使用NN引擎成功的可能性更大。

因此，就创建尽可能强大的国际象棋引擎而言，我应该使用神经网络还是硬编码？

除非您能够使用荒谬的方法（几百个Nvidia V100），否则请不要选择NN。训练NN下象棋需要大量的硬件。看到为Lc0做出贡献的人们培训超过2亿场比赛。由于您在访问硬件时可能会遇到麻烦（您可以尝试在Google Colabatory获得帮助，但仅此而已，培训将非常缓慢）。

编辑：使用NN在监督学习下，您可以只使用Google Colab并可能使用一个强大的GPU（2080、2080Ti，Radeon VII）。

我正在考虑的另一件事是，使用哪种语言对引擎进行编码是否重要。我知道许多国际象棋引擎都使用C ++，这是我以前从未使用过的。我使用了其他基于C的语言，它们执行许多相同的操作，但语法大多不同。我最熟悉Swift和Javascript，但也熟悉Python，并认为它可以帮到我。

对于强大的国际象棋引擎，Python和Javascript可能太慢了。我没有用过Swift，但是它可能不喜欢macOS以外的平台，因此最好使用C或C ++。您也可以使用Rust，但是它具有许多使人烦恼的安全功能，而您实际上并不需要，这会令人烦恼。由于很难进行某些低级别的优化，因此要获得良好的性能也将变得更加困难。当然，您可以始终以汇编形式编写它，但这可能会花费太多工作。参见https://www.chessprogramming.org/Languages/

我使用以下代码构建了一个纯粹的玩具国际象棋引擎：python国际象棋，不用自己编写游戏规则并只关注逻辑，这真是太好了；但是，我每秒能够评估的职位数量很少。这可能是一个很好的起点。