耗时10个月，他造出最像人类的国际象棋AI

一位开发者花了10个月时间，做出了一个号称「最像人类」的国际象棋机器人 Chessbook-1。这条发布在 Reddit 上的帖子，来自用户 mbuffett。

为什么「像人」比「更强」更难

国际象棋 AI 的发展史几乎就是一部「碾压人类」的历史。从深蓝到 AlphaZero，顶尖引擎早已把人类棋手甩在身后。但这带来一个反直觉的问题：引擎越强，越不像人。

顶级引擎的棋路追求绝对最优，会走出人类难以理解、甚至觉得「荒谬」的招法。对于想复盘、想学习、想找一个能模拟真实对手来训练的人来说，这种「超人感」反而是障碍。Chessbook-1 切入的正是这个缝隙——它的目标不是赢你，而是像一个人那样和你下棋。

这个定位本身就值得注意：它把评价标准从「胜率」转向了「拟人度」，这是一个完全不同的优化方向。

在国际象棋引擎领域，“强度”通常用 Elo 等级分来衡量，顶尖引擎如 Stockfish 的 Elo 可达 3500 以上，远超人类世界冠军的 2800 左右。但引擎的评估函数追求的是局面最优解，其搜索深度可达数十层，因此会走出人类难以理解、甚至看似“荒谬”的弃子或兵形推进。这种“超人感”源于搜索与评估的绝对理性，而非人类棋手受限于计算深度、情绪和习惯的决策过程。

拟人度则是一个完全不同的评价维度，它关注的是走法在人类棋手分布中的概率、风格一致性以及失误模式的可辨识性。简单调低引擎的搜索深度或评估噪声只能产生“弱而无风格”的对手，无法复现人类特有的开局偏好、中局计划连贯性和残局技术短板。因此，拟人 AI 需要建模的是人类决策的分布特征，而非单纯削弱计算能力。

十个月意味着什么

原帖标题里最扎眼的信息是「10个月」。这不是一个周末项目，也不是一次微调，而是一段以月为单位的长周期投入。

一个人用将近一年时间打磨一个「像人」的棋类机器人，背后通常意味着大量的数据整理、行为建模和反复调参。拟人这件事之所以难，是因为人类棋手的「不完美」并不是随机的——它带有稳定的风格、习惯性的弱点、以及在压力下的特定失误模式。要复现这些，光靠调低引擎强度是不够的。

素材没有披露具体的技术路线和训练细节，这也让 Chessbook-1 的实现方式保持了神秘感。可以确定的是，作者把「拟人」当作一个需要长期工程投入的独立问题来对待。

要让引擎“像人”，常见的技术路线包括 监督学习人类棋谱、行为克隆以及基于人类失误分布的采样。例如，利用 Lichess 或 Chess.com 上百万盘人类对局训练一个策略网络，使其输出走法概率分布接近人类；或者通过 Maia 这类项目的方法，针对不同水平段（如 1100、1500、1900 Elo）分别训练模型，以捕捉各水平棋手的典型风格与弱点。

这些方法需要大量数据清洗、水平分层和超参数调整，且要避免模型退化为“只会模仿开局”或“中局随机失误”。十个月的投入很可能花在构建高质量人类对局数据集、设计风格损失函数以及反复验证拟人度指标上。这与直接调用现成引擎 API 的周末项目有本质区别。

拟人 AI 的价值不只在棋盘上

Chessbook-1 的意义，某种程度上超出了国际象棋本身。

当所有人都在追逐更强的模型时，有一部分创作者在反向思考：AI 的「人性化缺陷」本身是不是一种产品能力？ 在棋类训练、教学陪练、娱乐对战这些场景里，一个会犯错、有风格、可被理解的对手，价值可能高于一个永远正确的对手。

这个思路可以迁移到很多领域——写作助手、对话机器人、游戏 NPC。用户想要的往往不是一个完美的答案机器，而是一个「像人一样」的交互对象。Chessbook-1 用十个月验证的，可能正是这个判断。

一个值得关注的方向

目前关于 Chessbook-1 的公开信息还很有限，主要来自作者的这次分享。它最终能达到怎样的拟人程度、普通棋手能否分辨出对面是人是机器，都还需要实际体验来检验。

但它提出的问题已经足够清晰：在「更强」之外，AI 还有「更像人」这条路可以走，而且这条路同样需要以月和年计的耐心。对于关注 AI 应用和游戏 AI 的开发者来说，这是一个值得跟进的项目。