Els escacs, un duel d’enginy amb prop de mil cinc-cents anys d’història, estan vivint una transformació profunda. Durant dècades, assolir l’elit solia dependre també de factors aliens al talent: la geografia. L’accés als «nuclis històrics» de coneixement —com l’antiga URSS— i a entrenadors d’elit podia facilitar de manera decisiva el progrés.
Tanmateix, aquest paradigma de concentració està perdent pes. La intel·ligència artificial ja va superar el campió mundial humà sobre el tauler i ha ampliat una cosa encara més verificable: l’accés remot a l’anàlisi d’alt nivell.
Fins fa poc, bona part de la preparació es basava en motors d’anàlisi tradicionals que, tot i ser potents, exigien criteri escaquístic i cert coneixement tècnic per interpretar les seves àrides variants de càlcul brut. Aquests sistemes permetien que un jove de molts llocs del món pogués consultar avaluacions molt precises d’una posició, però sovint afavorien un joc més rígid i memorístic.
El salt qualitatiu recent arriba amb la integració de models d’IA basats en xarxes neuronals i Transformers, com els treballs sobre ChessBench de Google DeepMind. A diferència dels motors clàssics de cerca, aquesta línia ha demostrat que un model pot jugar a nivell de gran mestre sense cerca explícita, tot i que no «raona» com una persona.
Aquesta evolució permet que molts jugadors, des de Noruega fins a Nigèria, accedeixin amb internet a anàlisis, bases de dades i eines d’entrenament cada vegada més potents, ampliant la formació escaquística sense substituir necessàriament un entrenador humà.
Motors de cerca per força bruta
Per entendre la revolució actual, hem de comprendre l’eina que ha dominat els escacs des de finals del segle XX: els motors basats en cerca heurística i avaluació computacional. Programes icònics com Stockfish funcionen sota un principi implacable: analitzar milions de nodes per segon per trobar la jugada més ben avaluada mitjançant un «arbre de cerca».
Aquests sistemes exploren moltes respostes possibles i contrajugades, estenent-se a profunditats que poden superar 20 mitjos moviments futurs. Es complementen amb bases de dades i, en finals simplificats, amb tablebases que permeten a l’ordinador conèixer amb certesa matemàtica el valor de determinades posicions.
Tanmateix, aquesta tecnologia té limitacions pràctiques. En basar-se en cerca i avaluació, la informació que retornen és sovint una llista de variants incomprensibles per a l’aficionat. Els jugadors podien continuar necessitant experts humans per «traduir» allò que indicava el motor, mantenint el valor dels entrenadors i les acadèmies.
El motor era el telescopi, però continuaves necessitant l’astrònom expert per interpretar les estrelles.
Models de raonament i predicció
La tecnologia representada per treballs com Amortized Planning with Large-Scale Transformers: A Case Study on Chess introdueix un canvi rellevant: l’ús de models Transformer de gran escala, relacionats en arquitectura general amb la família de models que va fer possible GPT.
A diferència de la cerca clàssica, aquesta IA va ser entrenada amb ChessBench, un conjunt de dades de 10 milions de partides de Lichess anotades amb Stockfish 16, per aprendre a predir moviments forts observant la configuració de les peces, sense executar una cerca explícita durant la partida.
Aquesta tecnologia afegeix una capacitat crítica: la generalització. En les proves publicades, el model va ser capaç de seleccionar jugades fortes en posicions que no coincidien necessàriament amb les vistes durant el seu entrenament, cosa que suggereix un nivell d’abstracció operatiu que va més enllà de la simple memòria.
La combinació és rellevant perquè, en aquest cas, la IA no calcula variants mitjançant cerca explícita durant la partida, sinó que aprèn patrons útils per a la presa de decisions escaquístiques.
En interactuar amb dades generades per motors tradicionals, aquests models poden servir com a base per a noves eines, tot i que no demostren per si sols que el coneixement complex sigui accessible sense entrenament especialitzat ni curació humana de les dades.
L’ascens de ChessBench i la democratització de l’ELO
El cas dels models entrenats amb ChessBench és un exemple rellevant d’aquesta efectivitat. En proves descrites per Google DeepMind a la plataforma Lichess, una política neuronal va assolir un ELO de 2.895 punts en la modalitat Blitz.
Per posar-ho en perspectiva: aquesta xifra correspon a un nivell molt alt dins l’ecosistema de Lichess.
Allò sorprenent no és només la puntuació, sinó la metodologia: el model juga a nivell de Gran Mestre sense realitzar processos de cerca explícita durant la partida. Mentre que un motor tradicional explora nombroses variants possibles, aquesta política neuronal infereix una jugada a partir de la posició.
Els resultats publicats mostren que sistemes basats en IA poden aprendre patrons escaquístics complexos i generalitzar més enllà d’una simple memorització de posicions.
Aquest cas va mostrar que la inferència neuronal pot assolir una gran precisió sense càlcul exhaustiu en temps de joc, tot i que no implica que qualsevol usuari de Lichess tingui accés directe a aquest sistema concret.
Mainchess: un centaure educatiu en la geografia espanyola
Si ChessBench és l’exponent de la força bruta transformada en intuïció, el sistema Mainchess, desenvolupat per la plataforma espanyola academiadeajedrez.es sota la direcció del Mestre Amador de la Nava, representa la culminació de la IA com a mentor pedagògic.
Mentre que altres sistemes prioritzen el joc competitiu, Mainchess es diferencia per un enfocament centrat en les classes en línia i l’autoaprenentatge.
Amador González de la Mata, mestre i referent en l’ensenyament dels escacs, imparteix una classe amb la plataforma Mainchess.
Aquest sistema exemplifica la convergència de tecnologies esmentada anteriorment en integrar mòduls convencionals com Stockfish amb arquitectures de xarxa neuronal com LcZero i Maia Chess —dissenyada específicament per imitar l’error i l’estil humà—, a més de mòduls basats en la IA generativa de ChatGPT.
La fi de les fronteres del coneixement
Aquest avenç té implicacions que van molt més enllà d’una partida casual. La combinació d’IA i escacs ha impulsat una preparació més profunda i una precisió creixent en tornejos internacionals recents.
En països com el Perú o regions d’Àsia (inclòs el recent esclat de talent a l’Índia), la IA ha facilitat que joves escaquistes accedeixin a anàlisis i entrenament abans menys disponibles fora dels circuits consolidats.
El futur apunta a una integració encara més gran, amb el desenvolupament dels «escacs centaure», on humans i màquines col·laboren per explorar variants creatives abans difícils.
A més, aquestes tecnologies s’estan aplicant a àrees com la planificació algorítmica i el raonament matemàtic complex, utilitzant els escacs com un laboratori útil per provar la capacitat de les màquines d’anticipar escenaris futurs.
Cap a un talent sense límits geogràfics
La sinergia entre els motors de càlcul i la IA basada en el raonament ha enderrocat els murs de les antigues acadèmies. L’impacte és profundament positiu: ha democratitzat l’accés a l’alt rendiment, permetent que el talent brilli independentment del codi postal del jugador.
Tot i que existeix el risc d’una dependència tecnològica excessiva, la realitat és que els escacs s’estan reinventant. La IA no substitueix el geni humà; el potencia i l’allibera de les restriccions físiques i econòmiques.
La reflexió final per al lector és clara: som davant de l’eina educativa més potent de la història de l’esport. És el moment d’adoptar aquestes innovacions no només per jugar millor, sinó per entendre que, en l’era de la IA, l’únic límit per al mestratge és la mateixa voluntat d’aprendre.
