阅读关于谷歌如何解决翻译问题的内容让我开始思考。是否有可能通过分析数百万场比赛，并主要（甚至完全？）基于统计数据来确定最佳移动，从而构建一个强大的国际象棋引擎？有几个这样的国际象棋数据库（这个数据库包含450万场比赛），人们可以根据涉及的棋手等级、比赛的年代（考虑到国际象棋理论的改进）等因素，对相同（或镜像或反射）的位置进行加权移动。有哪些理由表明这种方法不可行来构建一个国际象棋引擎？

回答：

类似的事情已经在做了：这是开局书的基本概念。

由于游戏的性质，计算机AI在游戏开始时表现得非常糟糕，因为那时有太多的可能性，而且最终目标还很遥远。到了中局，当战术可能性开始形成时，AI的表现开始改善，而在残局阶段，AI可以完美地进行比赛，远远超过大多数人类的能力。

为了帮助AI在开局时做出好的移动，许多引擎依赖于开局书：这基本上是一个基于统计数据得出的移动流程图。分析了许多高水平棋手之间的比赛，并将推荐的移动硬编码进“书”中，当位置还在“书”中时，AI甚至不需要“思考”，只需按照“书”中说的做即可。

有些人也可以记住开局书（这也是为什么菲舍尔发明了他的随机国际象棋变体的一个原因，这样开局的记忆就变得远没有那么有效）。部分由于这个原因，有时在开局时会做出非常规的移动，不是因为根据历史统计这是最佳移动，而是恰恰相反：这是一个“未知”的位置，可以让你的对手（无论是人类还是计算机）“脱离书本”。

在光谱的另一端，有一种被称为残局数据库的东西，这基本上是一个之前分析过的残局位置的数据库。由于这些位置之前已经进行了详尽的搜索，人们可以使用它来实现完美的比赛：对于任何位置，人们可以立即决定它是赢、输还是平局，以及实现/避免结果的最佳方式是什么。

然而，在国际象棋中，像这样的方法只在开局和残局阶段是可行的。中局的复杂性正是让游戏变得有趣的原因。如果人们可以通过查表来下棋，那么游戏就不会像现在这样令人兴奋、有趣和深奥了。