他的神经网络由四个层级组成，能够以三种不同方式共同思考棋盘上每一个位置。第一种着眼于国际象棋的全局状态，例如每边棋子的数量和类型，轮到哪一方移动，位置对换等；第二着眼于棋子的特性，例如双方每个棋子的位置；最后就是映射出每个棋子的攻击和防守。
计算机自学下棋
训练这些机器通常采用的方法，是研究人员手动评估每一个位置，并用这些信息指导机器识别出哪些步数是有效的，哪些效果没那么好。但是，Matthew Lai的目标更加雄心勃勃，他想让机器自学这些内容。
他采用了一个引导技术，让人工智能Giraffe自己与自己对决，从而改善对未来下棋走位的预测。在比赛胜利、失败或打平之后，会最终确定每一步的价值。以这种方式，计算机可以了解走哪个位置是有效的，哪些位置效果不好。
在Giraffe经过培训之后，最后一步就是测试它的能力是否达标了。他用一个标准数据库Strategic Test Suite来测试，这一数据库可以测试改计算引擎识别不同的战略构想的能力。他将对这项测试的结果进行评分，总分为15000。
整个训练过程中，他会测试机器的各个阶段成绩。当引导过程开始时，Giraffe很快就达到了6000分的成绩，仅在72小时就达到了9700分。9700分已经可以成为世界上最好的国际象棋引擎了。
Matthew Lai接着使用相同种类的机器学习方法，确定对方一个特定的移动是否值得机器进行跟随。这一点很重要，因为它可以防止不必要的搜索，极大提高计算效率。
结果表明，46%的情况下计算机所走的步数都是最好的一步，70%的时间都能走出排在前三名的好棋。因此，计算机并没有收到对方的动作的影响。
这一方法代表着国际象棋引擎的工作方式发生了重大变革，不过它并不完美。Giraffe的一个缺点是，神经网络比其他类型的数据处理速度慢得多。Giraffe花费的时间比以往的国际象棋引擎要多耗费约10倍。
小编推荐阅读
