Schach & Geschichte: Künstliche Intelligenz im Schachspiel

Künstliche Intelligenz (KI) ist ein sich schnell entwickelnder Technologiebereich, der Aufgaben ausführen oder unterstützen kann, die traditionell mit menschlicher Intelligenz verbunden sind. Dazu gehören unter anderem die Informationssuche, Lernprozesse, Entscheidungsfindung und Sprachverarbeitung. Ihre Auswirkungen sind bereits heute in Bereichen wie Übersetzung, Navigation und digitalen Assistenzsystemen deutlich zu erkennen. Allerdings können auch KI-generierte Antworten Fehler enthalten, weshalb wichtige Informationen weiterhin anhand zuverlässiger Quellen überprüft werden sollten.

Auch das Schachspiel wurde durch Computer und künstliche Intelligenz grundlegend verändert. Moderne Schachengines helfen Spielern dabei, Partien zu analysieren, Eröffnungen vorzubereiten, taktische Fehler zu erkennen und Stellungen wesentlich tiefer zu untersuchen, als dies früher möglich war. Fortschritte bei Suchalgorithmen, Bewertungsmethoden und neuronalen Netzen haben sowohl das Wettkampfschach als auch das Schachtraining nachhaltig beeinflusst.

Die Geschichte der künstlichen Intelligenz im Schach begann jedoch lange vor den heutigen leistungsstarken Schachengines. Die folgende Übersicht zeigt wichtige Meilensteine – von frühen mechanischen Schachautomaten und theoretischen Computerprogrammen bis hin zu Deep Blue, Stockfish, AlphaZero und modernen neuronalen Schachengines.

 

Die frühen Stadien der künstlichen Intelligenz im Schach

Lange bevor künstliche Intelligenz als wissenschaftliches Fachgebiet existierte, faszinierte ein berühmter Schachautomat die Öffentlichkeit. Im Jahr 1769 konstruierte Wolfgang von Kempelen den sogenannten Schachtürken, eine Maschine, die den Eindruck vermittelte, selbstständig Schach spielen zu können. Der Automat besiegte zahlreiche Gegner und wurde international berühmt. Tatsächlich handelte es sich jedoch nicht um eine intelligente Maschine: Im Inneren des Apparats verbarg sich ein menschlicher Schachspieler, der die Züge ausführte.

Der Schachtürke von Wolfgang von Kempelen
(Kupferstich von Racknitz - 1789)

Obwohl der Schachtürke über keine künstliche Intelligenz verfügte, zeigte er bereits früh, wie sehr die Vorstellung einer schachspielenden Maschine die Menschen faszinierte. Technisch relevant wurde diese Idee im 20. Jahrhundert, als Mathematiker und Informatiker begannen, formale Methoden zur Darstellung von Schachstellungen, zur Stellungsbewertung und zur Suche nach möglichen Zügen zu entwickeln.

Zwischen etwa 1942 und 1945 beschäftigte sich Konrad Zuse im Rahmen seiner Programmiersprache Plankalkül mit schachbezogenen Programmen. Seine Arbeiten umfassten unter anderem formale Darstellungen der Schachregeln und Verfahren zur Überprüfung legaler Züge. Dabei handelte es sich noch nicht um eine vollständige autonome Schachengine im heutigen Sinne, dennoch war diese Arbeit ein bedeutendes frühes Beispiel dafür, Schachprobleme algorithmisch zu beschreiben.

Alan Turing und David Champernowne entwickelten 1948 den sogenannten „Turochamp“, einen frühen Schachalgorithmus, der Stellungen bewertete und ausgewählte Varianten untersuchte. Da zu dieser Zeit kein geeigneter Computer zur Verfügung stand, wurde der Algorithmus zunächst von Hand ausgeführt.

Claude Shannon stellte 1949 seine einflussreichen Ideen zur Programmierung eines schachspielenden Computers vor. Seine Arbeit Programming a Computer for Playing Chess wurde 1950 veröffentlicht. Shannon beschrieb grundlegende Konzepte des Computerschachs, darunter Spielbaumsuche, Stellungsbewertung und auf dem Minimax-Prinzip basierende Entscheidungsverfahren.

Im Jahr 1951 schrieb Dietrich Prinz für den Ferranti Mark 1 ein Programm, das Matt-in-zwei-Schachaufgaben lösen konnte. Diese Entwicklungen standen auch im Zusammenhang mit der mathematischen Untersuchung von Zwei-Personen-Nullsummenspielen und der Spieltheorie, die unter anderem durch John von Neumann geprägt wurde.

In den 1960er Jahren wurde zunehmend deutlich, dass Computer langfristig auch gegen menschliche Schachspieler antreten könnten. 1967 gehörte Richard Greenblatts MacHack VI zu den ersten Computerprogrammen, die erfolgreich unter regulären Turnierbedingungen gegen Menschen spielten. Nach seiner Teilnahme an Turnieren erhielt das Programm zunächst eine vorläufige USCF-Wertung von ungefähr 1239 und verbesserte sich später deutlich.

Ab 1976 trug Peter Jennings' „Microchess“ dazu bei, Computerschach auf frühen Mikrocomputern einem größeren Publikum zugänglich zu machen. Das ursprüngliche Programm war extrem kompakt und entwickelte sich zu einem bedeutenden kommerziellen Meilenstein der frühen Personal-Computer-Software. Aufgrund der starken Speicherbeschränkungen erzeugte die ursprüngliche Version von 1976 mehrere spezielle Schachzüge – darunter Rochade, En-Passant-Schlagen und Bauernumwandlung – nicht selbstständig. Die Dokumentation beschrieb Verfahren, mit denen einige dieser Situationen manuell behandelt werden konnten, während spätere Versionen den Funktionsumfang erweiterten.

Die von Ken Thompson und Joe Condon entwickelte Schachmaschine „Belle“ brachte das Computerschach anschließend deutlich weiter voran. Belle gewann bedeutende Computerschach-Wettbewerbe, darunter die Computer-Schachweltmeisterschaft 1980. Bei den U.S. Open 1983 erzielte Belle 8,5 Punkte aus 12 Partien und eine Performance-Wertung von 2363. Das System erhielt anschließend die Anerkennung auf USCF-Master-Niveau und war damit das erste Computerschachsystem, das diesen Meilenstein erreichte.

 

Moderne künstliche Intelligenz im Schach

Einen der wichtigsten Wendepunkte in der Geschichte des Computerschachs bildeten die Matches zwischen IBM Deep Blue und dem amtierenden Schachweltmeister Garry Kasparov. Im Jahr 1997 wurde Deep Blue zum ersten Computersystem, das einen amtierenden Schachweltmeister in einem vollständigen Match unter regulären Turnierzeitbedingungen besiegte.

Die technische Entwicklungslinie von Deep Blue begann bereits in den 1980er Jahren mit der Arbeit von Feng-hsiung Hsu und Murray Campbell an der Carnegie Mellon University. Zu den frühen Systemen dieser Entwicklung gehörten ChipTest und später Deep Thought. Nachdem Hsu und Campbell zu IBM Research gewechselt waren, entwickelte sich das Projekt zu Deep Blue weiter. Dabei wurden speziell entwickelte Schachhardware, Parallelverarbeitung, leistungsfähige Suchverfahren, Stellungsbewertung und umfangreiche Schachdatenbanken miteinander kombiniert.

Garry Kasparov - Schachweltmeister von 1985 bis 2000
(Copyright 2007, S.M.S.I., Inc. - Owen Williams, The Kasparov Agency.,
CC BY-SA 3.0, via Wikimedia Commons)

Im Jahr 1996 spielte Deep Blue sein erstes Match über sechs Partien gegen Kasparov. Deep Blue gewann die erste Partie und wurde damit zum ersten Computer, der einen amtierenden Schachweltmeister in einer einzelnen Partie unter regulären Turnierzeitbedingungen besiegte. Kasparov erholte sich jedoch und gewann das gesamte Match mit 4:2 Punkten – mit drei Siegen, zwei Remis und einer Niederlage.

Das IBM-Team verbesserte das System anschließend sowohl auf Hardware- als auch auf Softwareebene. Dazu gehörten unter anderem Verbesserungen bei der Stellungsbewertung, den Datenbanken und den Suchverfahren.

1997 trat Deep Blue in einem viel beachteten Rückkampf erneut gegen Kasparov an. Das verbesserte System konnte bis zu ungefähr 200 Millionen Schachstellungen pro Sekunde untersuchen. Kasparov gewann die erste Partie, Deep Blue die zweite. Die Partien drei, vier und fünf endeten remis. Anschließend gewann Deep Blue die sechste Partie und damit das gesamte Match mit 3,5 zu 2,5 Punkten.

Deep Blue, ein Computer ähnlich wie dieser besiegte
im Mai 1997 den Schachweltmeister Garry Kasparov.
(Copyright: James the photographer,
CC BY 2.0, via Wikimedia Commons)

Der Sieg von Deep Blue über Kasparov war ein Meilenstein des Computerschachs und zählt zu den bekanntesten Ereignissen in der Geschichte der künstlichen Intelligenz. Er zeigte, wie spezialisierte Hardware, leistungsfähige Suchalgorithmen und ausgefeilte Bewertungsverfahren selbst die stärksten menschlichen Schachspieler unter Matchbedingungen übertreffen konnten.

Seit dem Match zwischen Deep Blue und Kasparov haben sich Schachengines und KI-basierte Schachsysteme rasant weiterentwickelt. Schnellere Hardware, verbesserte Algorithmen, neuronale Netze, Online-Schachplattformen und cloudbasierte Analysen geben Spielern heute Zugang zu Analysewerkzeugen, deren Spielstärke deutlich über der jedes menschlichen Spielers liegt.

Schachspieler können solche Systeme nutzen, um Partien auszuwerten, taktische Fehler zu untersuchen, Eröffnungen zu analysieren, Kandidatenzüge miteinander zu vergleichen und wiederkehrende Schwächen im eigenen Spiel zu erkennen.

 

Bekannte Schachengines und KI-Systeme

Stockfish

Stockfish ist eine freie und quelloffene Schachengine, die für ihre außergewöhnliche Spielstärke und hohe Analysegenauigkeit bekannt ist. Moderne Versionen von Stockfish kombinieren eine hochoptimierte Alpha-Beta-/PVS-Suche mit einer NNUE-Stellungsbewertung (Efficiently Updatable Neural Network). Stockfish wird häufig für Schachanalysen, Eröffnungsvorbereitung, Engine-Tests und die Nachbereitung von Partien eingesetzt.

AlphaZero

AlphaZero ist ein von DeepMind entwickeltes Forschungssystem. Ausgehend von den Regeln des Schachspiels lernte AlphaZero ohne menschliche Partiedatenbanken und ohne handgeschriebene Bewertungsregeln durch Selbstspiel und Reinforcement Learning. Ein tiefes neuronales Netz steuerte dabei eine Monte-Carlo-Tree-Search und ermöglichte dem System, eigene Bewertungen von Stellungen und Zugprioritäten zu entwickeln.

Die veröffentlichten Ergebnisse zeigten, dass dieser Ansatz eine außergewöhnlich hohe Spielstärke erreichen und die in den DeepMind-Experimenten eingesetzte Stockfish-Version besiegen konnte. AlphaZeros Partien sorgten auch unter Schachspielern für große Aufmerksamkeit, da das System häufig dynamische und teilweise ungewöhnliche strategische Ideen zeigte.

Leela Chess Zero

Leela Chess Zero (Lc0) ist eine quelloffene Schachengine, die von AlphaZero inspiriert wurde. Sie kombiniert die Stellungsbewertung durch neuronale Netze mit Suchverfahren, die überwiegend auf Monte Carlo Tree Search und PUCT basieren. Das Projekt nutzt beziehungsweise nutzte groß angelegtes Selbstspiel und Reinforcement Learning, um seine neuronalen Netze zu trainieren.

Lc0 gehört zu den stärksten und einflussreichsten neuronalen Schachengines und stellt einen wichtigen alternativen Ansatz zu Engines dar, deren Suche hauptsächlich auf Alpha-Beta-Verfahren basiert.

Houdini

Houdini ist eine kommerzielle Schachengine, die insbesondere in den 2010er Jahren große Bedeutung erlangte. Sie war für ihre hohe taktische Spielstärke bekannt und erzielte starke Ergebnisse in Computerschach-Wettbewerben und Engine-Ranglisten. Houdini wurde häufig für Partieanalysen und Eröffnungsvorbereitung eingesetzt, auch wenn sich die moderne Engine-Entwicklung inzwischen stärker auf Projekte wie Stockfish und Lc0 konzentriert.

Komodo

Komodo ist eine weitere historisch bedeutende Schachengine mit sehr hoher Spielstärke. Sie wurde insbesondere für ihre starke positionelle Bewertung bekannt und erzielte bedeutende Erfolge bei Computerschach-Wettbewerben. Komodo und seine späteren Weiterentwicklungen sind ein wichtiger Bestandteil der Entwicklungsgeschichte moderner Schachengines.

 

Die Zukunft der künstlichen Intelligenz im Schach

Die Entwicklung von Schachprogrammen und künstlicher Intelligenz hat grundlegend verändert, wie Schach gespielt, analysiert und gelernt wird. Heute können Spieler die Schachregeln mithilfe digitaler Übungen lernen, innerhalb weniger Sekunden Gegner auf der ganzen Welt finden und ihre Partien mit Engines analysieren, deren Spielstärke weit über dem Niveau menschlicher Weltmeister liegt.

Moderne Schachtechnologie wird zudem immer besser darin, reine Engine-Berechnungen in für Menschen verständliche Erklärungen zu übersetzen. Statt lediglich eine Stellungsbewertung oder einen bevorzugten Zug anzuzeigen, können Trainingssysteme Spielern zunehmend dabei helfen, taktische Muster, positionelle Schwächen und wiederkehrende Fehler zu erkennen.

Künstliche Intelligenz dürfte deshalb auch im Schachtraining weiter an Bedeutung gewinnen. Zukünftige Werkzeuge könnten noch stärker personalisierte Analysen ermöglichen, Übungen individuell an Schwächen anpassen und die Rechenstärke moderner Engines mit Erklärungen kombinieren, die auf unterschiedliche Spielstärken zugeschnitten sind.

Trotz der kontinuierlichen Weiterentwicklung des Computerschachs bleibt die menschliche Seite des Spiels von zentraler Bedeutung. Kreativität, Wettbewerb, Psychologie und die Freude am Spiel auf einem echten Schachbrett bleiben wesentliche Bestandteile des Schachs.

 

Ich hoffe, dass ich dir mit dieser Übersicht einen verständlichen Einblick in die Geschichte der künstlichen Intelligenz im Schach geben konnte – von den frühen Ideen des Computerschachs bis zu den leistungsstarken Schachengines von heute. Solltest du noch weitere Fragen haben, kannst du mir gerne über mein Kontaktformular schreiben.

Neben Computerschach und Online-Analysen bleibt das Spielen auf einem echten Schachbrett ein wichtiger Bestandteil des Spiels. Solltest du Interesse an Schachfiguren oder Schachbrettern im Turnierformat haben, schau gerne einmal in meinem Sortiment vorbei.

Ich wünsche dir viel Spaß am Spiel, viel Erfolg und schnelle Fortschritte beim Lernen.

 

Bis bald.

Stefan

 

FAQ: Künstliche Intelligenz und Schachengines

Warum war das Match zwischen Deep Blue und Garry Kasparov im Jahr 1997 so bedeutend?

Der Rückkampf von 1997 war das erste Mal, dass ein Computersystem einen amtierenden Schachweltmeister in einem vollständigen Match unter regulären Turnierzeitbedingungen besiegte. IBM Deep Blue kombinierte spezielle Hardware, Parallelverarbeitung, umfangreiche Suchverfahren, schachspezifische Bewertungsmethoden und Datenbanken. Der Sieg wurde zu einem der wichtigsten Meilensteine des Computerschachs und demonstrierte die enorme Spielstärke, die spezialisierte Schachsysteme erreichen konnten.

Wie hat AlphaZero die moderne Schachanalyse beeinflusst?

AlphaZero zeigte, dass ein Schachsystem mithilfe neuronaler Netze, Selbstspiel und Reinforcement Learning eine außergewöhnliche Spielstärke erreichen kann, ohne auf menschliche Partiedatenbanken oder handgeschriebene Bewertungsregeln angewiesen zu sein. Seine Partien erregten durch dynamisches positionelles Spiel, langfristige Kompensation und ungewöhnliche strategische Entscheidungen große Aufmerksamkeit. Das Projekt zeigte, dass gelernte Stellungsbewertung und Suche auf einem grundlegend anderen Ansatz als bei traditionellen Engines basieren können.

Was ist der Unterschied zwischen traditionellen Schachengines und neuronalen Schachengines?

Traditionelle Schachengines stützen sich stark auf die Suche in einem Spielbaum und verwenden häufig Alpha-Beta-Verfahren, um vielversprechende Varianten effizient zu untersuchen. Die Stellungsbewertung kann dabei auf handgeschriebenen Regeln, neuronalen Netzen oder einer Kombination verschiedener Methoden beruhen.

Neuronale Schachengines wie Leela Chess Zero verwenden gelernte Stellungsbewertungen in Verbindung mit Suchverfahren, die überwiegend auf Monte Carlo Tree Search basieren. Modernes Stockfish verfolgt einen anderen hybriden Ansatz: Die Engine verwendet weiterhin eine hochoptimierte Alpha-Beta-/PVS-Suche, während die Stellungsbewertung durch NNUE-Neuronale-Netze erfolgt.

Wie hat die Computeranalyse die Schacheröffnung und Eröffnungsvorbereitung verändert?

Computeranalysen haben die Schacheröffnungstheorie erheblich vertieft. Engines entdecken neue Ressourcen, überprüfen bekannte Varianten und helfen dabei, vielversprechende Neuerungen zu identifizieren. Großmeister setzen Schachengines intensiv in der Vorbereitung ein, um Stellungen zu untersuchen und mögliche Verbesserungen zu finden.

Die meisten bedeutenden Schacheröffnungen sind jedoch nicht im streng spieltheoretischen Sinne „gelöst“. Stattdessen hat die computergestützte Vorbereitung viele Eröffnungsvarianten tiefer, konkreter und anspruchsvoller in der Vorbereitung gemacht.

Können Schachengines und künstliche Intelligenz Amateuren helfen, ihr Schach zu verbessern?

Ja. Schachengines können Amateurspielern dabei helfen, taktische Fehler, verpasste Chancen und stärkere Alternativen zu erkennen. Eine reine numerische Stellungsbewertung erklärt jedoch noch nicht, warum eine bestimmte Stellung besser oder schlechter ist.

Für die meisten Schachspieler entsteht der größte Lernfortschritt deshalb dadurch, wiederkehrende Fehler, taktische Muster und strategische Ideen zu verstehen, anstatt lediglich lange Engine-Varianten auswendig zu lernen. Analyse- und Coaching-Funktionen sind besonders hilfreich, wenn sie Engine-Empfehlungen mit verständlichen Schachkonzepten verbinden.