让AI学会下棋、成为“棋类大师”，一直是人工智能领域广为研究的课题。近日，来自伦敦大学学院的Kamlish等人公布了他们另辟蹊径的研究试验——SentiMate，一种采用自然语言处理方法，通过训练网络评论文本来学习国际象棋的算法。它通过分析专家解说员的反应，对象棋动作的质量进行评价。

在SentiMate之前，人工智能主要通过不断地对弈训练学习围棋。2016年击败围棋世界冠军李世石的AlphaGo使用神经网络，与人类棋手的棋谱进行训练，学习如何下围棋。到了2018年，AlphaZero依靠深度神经网络、通用强化学习算法和蒙特卡洛树搜索，通过自我对弈进行强化学习。

与Alpha系列采用神经网络、自我训练的方法不同，SentiMate尝试了一条自然语言学习路径。该团队首先收集来自网络的2700条国际象棋游戏评论文本，然后建立了一个分类器，该分类器能够在大量评论数据集中提取描述象棋动作质量的评论。他们还在象棋评论数据的基础上训练了一个情绪分析模型，分析人们通过语言所传递出的正向情绪来评估象棋的动作质量，从而指导机器人在棋局中的下一步行动。研究人称，这两个模型都达到了90%以上的分类精度。在此基础上，他们提出了一个象棋引擎sentimate，它基于预先训练的情绪评估功能来评估象棋的动作。

让研究人员感到惊讶的是，SentiMate已有能力理解国际象棋的一些基本原则和制定几个关键策略。《麻省理工科技评论》据此评价称，虽然SentiMate从未战胜过传统训练路径下的象棋机器人，很难被称作AlphaGo那样的“象棋大师”，但这个新路径展示了利用更少的游戏数据、更低的计算需求，通过语言分析的方法来研究象棋游戏的前景。

“自然语言处理的下一步是将机器学习到的信息转变为切实的行动，来解决真实世界的任务”，研究人员对《麻省理工科技评论》表示，SentiMate所采用的学习技术还可以用来分析体育赛事，预测金融活动。“毕竟还有大量的书籍、博客和论文都在等待学习”。