Alpha zero

Note

I’m the creator of this repo. I (and some others collaborators did our best: https://github.com/Zeta36/chess-alpha-zero/graphs/contributors) but we found the self-play is too much costed for an only machine. Supervised learning worked fine but we never try the self-play by itself.

Anyway I want to mention we have moved to a new repo where lot of people is working in a distributed version of AZ for chess (MCTS in C++): https://github.com/glinscott/leela-chess

Project is almost done and everybody will be able to participate just by executing a pre-compiled windows (or Linux) application. A really great job and effort has been done is this project and I’m pretty sure we’ll be able to simulate the DeepMind results in not too long time of distributed cooperation.

So, I ask everybody that wish to see a UCI engine running a neural network to beat Stockfish go into that repo and help with his machine power.

Фиштест

С 2013 года Stockfish разрабатывается с использованием распределен среда тестирования, названная Фиштест, где волонтеры могут жертвовать процессорное время для тестирования улучшений программы.

Изменения в игровом коде принимаются или отклоняются на основании результатов прохождения десятков тысяч игр на фреймворке против более старой «эталонной» версии программы с использованием последовательное тестирование отношения вероятностей. Тесты на платформе проверяются с помощью критерий хи-квадрат, и только если результаты статистически значимы, они считаются надежными и используются для корректировки программного кода.

По состоянию на июнь 2018 г., фреймворк использовал в общей сложности более 1200 лет процессорного времени, чтобы сыграть более 840 миллионов шахматных партий. После создания Fishtest у Stockfish произошел взрывной рост на 120 Очки Эло всего за 12 месяцев, подняв его на вершину всех основных рейтинговых списков. В Stockfish 7, автор Fishtest Гэри Линскотт был добавлен в официальный список авторов в знак признания его вклада в развитие Stockfish.

Окончательные результаты

DeepMind ответил на многие критические замечания в своей окончательной версии статьи, опубликованной в декабре 2018 года в журнале Science . Далее они пояснили, что AlphaZero не работает на суперкомпьютере; он был обучен с использованием 5000 блоков тензорной обработки (TPU), но в своих матчах работал только на четырех TPU и 44-ядерном процессоре.

шахматы

В итоге Stockfish версии 8 работал в тех же условиях, что и в суперфинале TCEC : 44 ядра ЦП, базы таблиц эндшпиля Syzygy и размер хэша 32 ГБ. Вместо фиксированного контроля времени в один ход в минуту обоим двигателям давали 3 часа плюс 15 секунд на каждый ход, чтобы закончить игру. В матче из 1000 игр AlphaZero выиграла со счетом 155 побед, 6 поражений и 839 ничьих. DeepMind также сыграл в серию игр, используя начальные позиции TCEC; AlphaZero также убедительно выиграл. Stockfish нуждался в шансах 10 к 1, чтобы соответствовать AlphaZero.

Сёги

Как и Stockfish, Elmo выступал в тех же условиях, что и на чемпионате CSA 2017 года. Использовалась версия Elmo WCSC27 в сочетании с YaneuraOu 2017 Early KPPT 4.79 64AVX2 TOURNAMENT. Elmo работал на том же оборудовании, что и Stockfish: 44 ядра ЦП и размер хэша 32 ГБ. AlphaZero выиграла 98,2% игр, играя сэнтэ (т.е. делая первый ход) и 91,2% в целом.

Реакции и критика

Гроссмейстеры-люди в целом были впечатлены играми AlphaZero против Stockfish. Бывший чемпион мира Гарри Каспаров сказал, что ему доставляло удовольствие наблюдать за игрой AlphaZero, тем более что ее стиль был таким же открытым и динамичным, как и его собственный.

В сообществе компьютерных шахмат разработчик Komodo Марк Лефлер назвал это «довольно удивительным достижением», но также указал, что данные устарели, поскольку Stockfish сильно набрался сил с января 2018 года (когда была выпущена Stockfish 8). Другой разработчик Ларри Кауфман сказал, что AlphaZero, вероятно, проиграет матч против последней версии Stockfish, Stockfish 10, в условиях Top Chess Engine Championship (TCEC). Кауфман утверждал, что единственным преимуществом движков на основе нейронных сетей было то, что они использовали графический процессор, поэтому, если бы не учитывалось энергопотребление (например, в соревновании с равным оборудованием, когда оба движка имели доступ к одному и тому же процессору и графическому процессору), то что угодно достигнутый GPU был «бесплатным». Основываясь на этом,альфа-бета-поиск .

AlphaZero вдохновила компьютерное шахматное сообщество на разработку Leela Chess Zero с использованием тех же методов, что и AlphaZero. Лила участвовала в нескольких чемпионатах против Stockfish, где она показала примерно такую ​​​​же силу, как Stockfish.

В 2019 году DeepMind опубликовала MuZero , унифицированную систему, которая отлично играла в шахматы, сёги и го, а также в игры в среде обучения Atari без предварительного программирования их правил.

О превосходстве Alpha Zero

Говоря о скорости перебора, которую использовали программы, то данные конечно впечатляют: Альфа Зеро с помощью дерева поиска Монте-Карло просматривал 80 тысяч позиций в секунду, тогда как Стокфиш – 70 миллионов. Опять же здесь есть свои нюансы, если приводить скорость перебора в качестве аргумента силы. Однако нельзя не сказать о том, что Alpha Zero гораздо избирательнее и применяемый ею подход в какой-то степени ее «очеловечивает».

Кроме того, переход от перебора, управляемого множеством правил, которые могут содержать в себе изъяны, связанные с предубеждениями или субъективностью шахматных экспертов, к переходу, управляемому нейронной сетью, это бесспорно благо, которое быть может в будущем расскажет много нового о шахматах.

Подводя итог, учитывая, что разница в силе игры не такая большая и зная, что Alpha Zero имела оборудование значительно более мощное, нежели Стокфиш, однозначно сказать о превосходстве, не оставляющем сомнений, сложно

Но это на самом деле маловажно, потому что Альфа Зеро это не еще один шахматный движок. Это прикладной пример использования искусственного интеллекта против традиционного программного алгоритма и определенно большой и качественный шаг в области изучения и совершенствования интеллектуальных машин

Environment

• Python 3.6.3
• tensorflow-gpu: 1.3.0
• Keras: 2.0.8

New results (after a great number of modifications due to @Akababa)

Using supervised learning on about 10k games, I trained a model (7 residual blocks of 256 filters) to a guesstimate of 1200 elo with 1200 sims/move. One of the strengths of MCTS is it scales quite well with computing power.

Here you can see an example where I (black) played against the model in the repo (white):

Here you can see an example of a game where I (white, ~2000 elo) played against the model in this repo (black):

First “good” results

Using the new supervised learning step I created, I’ve been able to train a model to the point that seems to be learning the openings of chess. Also it seems the model starts to avoid losing naively pieces.

Here you can see an example of a game played for me against this model (AI plays black):

Here we have a game trained by @bame55 (AI plays white):

This model plays in this way after only 5 epoch iterations of the ‘opt’ worker, the ‘eval’ worker changed 4 times the best model (4 of 5). At this moment the loss of the ‘opt’ worker is 5.1 (and still seems to be converging very well).

Listudy

Чтобы стать хорошим шахматистом, необходимо освоить базовые дебюты и эндшпили, которые вы должны знать назубок и уметь применять в нужный момент. Сервис Listudy именно этому вас и научит.

Он использует метод интервального повторения, который значительно улучшает запоминание: вы повторяете одно и то же действие через заданный промежуток времени, что дает потрясающие результаты при должном усердии.

С помощью Listudy вы освоите основные шахматные дебюты, такие как Королевский гамбит, Индийскую защиту, гамбит Эванса и многие другие

Вы также освоите вариации каждой тактики, что тоже важно для успешного дебюта

В приложении вы также тренируетесь игре в эндшпиль, т.е. заключительный этап партии

Это очень важный навык, ведь под конец игры часы начинают отсчитывать последние минуты и важно уметь быстро принимать правильные решения

Listudy также обладает большой коллекцией различных тактик, что даст вам возможность попробовать свои силы: программа выдаст вам случайную позицию и попросит найти наилучший в этой ситуации ход. Никаких ограничений тут нет, упражняться можно сколько угодно.

Aimchess

Aimchess — отличное приложение для обучения и совершенствования в шахматах. В нем вы каждый день будете проходить новые уроки, изучать новые стратегии, зарабатывая тем самым очки, за которые вы сможете получить доступ к новым урокам.

Два самых популярных и бесплатных сайта для онлайн-шахмат — это Chess.com и Lichess. Aimchess работает с ними обоими, проводя ИИ-анализ вашего стиля игры. Просто введите имя пользователя и приложение создаст отчет, в котором проанализирует ваши последние партии и укажет на слабые и сильные места, а также даст советы по улучшению игры. Если плохо владеете английским языком — используйте встроенный переводчик в Google Chrome, чтобы перевести рекомендации на русский язык.

Помимо этого, вам будут доступны ежедневные уроки, заточенные именно под ваш стиль игры. Временами приложение будет пересматривать партии, которые вы проиграли и анализировать их для вас.

Бесплатная версия предоставляет девять бесплатных уроков в день, проводит анализ до 40 последних игр, а количество отчетов ограничено тремя. Платная версия за 8 долларов в месяц предоставит неограниченные уроки, анализ до 1000 игр и до 10 отчетов.

Доступно для Android / iPhone / Онлайн.

Зачем в шахматах нужен data science

Data science в большинстве случаев использует недетерминированные алгоритмы — это, например, глубокие нейронные сети. Они подстраиваются под обучающие примеры и меняют внутри себя наборы чисел. Поэтому недетерминированные алгоритмы сложно предсказать. Если систему остановить и попытаться понять, почему она принимает такие решения, ее логическую цепочку будет сложно восстановить.
В нашем примере с шахматами недетерминированные алгоритмы можно использовать для решения задачи как часть реального движка. При оценке позиции можно взять огромное количество размеченных сыгранных партий. У каждой позиции есть оценка — на наборе можно обучить нейросеть оценивать ситуацию.

Индустрия 4.0

Нейросеть, которая может все: какие есть сложности в обучении алгоритмов

Тогда отпадет нужда самостоятельно определять набор критериев вроде количества материала или расположения фигур. Нейросеть сама определит критерии исходя из набора. При этом можно совместить детерминированный и недетерминированный подходы. Детерминированные алгоритмы могут перебирать возможные варианты ходов, а недетерминированные — оценивать каждую позицию.
В 2017 году структура Google DeepMind выпустила систему AlphaZero, которая потрясла шахматное сообщество. Ее особенность в том, что ей нужны только правила игры. Затем она начинает играть против себя и обучается в процессе. AlphaZero делает выводы по стратегии и запоминает верные ходы. Так она переизобретает шахматную теорию — искусственный интеллект не использует опыт игры людей.
Система уже вносит новизну в многовековую игру — например, AlphaZero стала двигать крайнюю пешку

С подачи системы на этот прием обратили внимание большинство шахматистов. В отличие от других похожих систем, например, StockFish, нейросети AlphaZero сосредотачиваются на наиболее перспективных вариантах хода

Они анализируют около 80 тыс. позиций в секунду.

История

Программа возникла из Глаурунг— шахматный движок с открытым исходным кодом, созданный Ромстадом и впервые выпущенный в 2004 году. Четыре года спустя Костальба, вдохновленный мощным движком с открытым исходным кодом, решил разделить проект. Он назвал это Stockfish потому что он был «произведен в Норвегии и приготовлен в Италии» (Romstad — норвежский, Costalba — итальянский). Первая версия Stockfish 1.0 была выпущена в ноябре 2008 года. Некоторое время новые идеи и изменения кода передавались между двумя программами в обоих направлениях, пока Ромстад не решил прекратить выпуск Glaurung в пользу Stockfish, который был более совершенным движком в то время. Последний Glaurung (версия 2.2) был выпущен в декабре 2008 года.

Примерно в 2011 году Ромстад решил отказаться от участия в Stockfish, чтобы больше времени уделять своему новому шахматному приложению для iOS.[нужна цитата ]

18 июня 2014 года Марко Костальба объявил, что «решил уйти с поста сопровождающего Stockfish», и попросил сообщество создать форк текущей версии и продолжить ее разработку. Официальный репозиторий, которым управляет группа добровольцев из основных разработчиков Stockfish, был создан вскоре после этого и в настоящее время управляет развитием проекта.

В июне 2020 г. эффективно обновляемая нейронная сеть (NNUE) форк, представленный компьютерные сёги Программисты под названием Stockfish ННУЭ обсудили разработчики. В июле 2020 года в шахматных новостях сообщалось, что Stockfish NNUE «проложил новый путь в компьютерных шахматах, включив нейронную сеть в и без того невероятно мощный шахматный движок Stockfish». NNUE слияние в Stockfish, и стали доступны сборки для разработки.

2 сентября 2020 года была выпущена двенадцатая версия Stockfish, включающая вышеупомянутое усовершенствование нейронной сети. Согласно объявлению в блоге, эта новая версия «играет значительно сильнее, чем любые из ее предшественников», обычно выигрывая в десять раз больше игр, чем проигрывает при сопоставлении с одиннадцатой версией.

Установить Leela Chess Zero

Порядок установки под Windows

• Скачивается и распаковывается необходимая последняя версия движка
• В папку с распакованным движком помещается выбранная сеть
• Драйвера видеокарты обновляются на свежие
• Программа подключается к оболочке, как любой другой UCI-движок

Примечания:

• Для оболочки Fritz может понадобиться патч, улучшающий загрузку нестандартных машин; для Fritz 15 – это патч 15.36
• Помимо lcexe в архиве с движком имеется приложение client.exe; с его помощью пользователь может принять участие в обучении нейросетей LCZero – для игры и анализа с движком на ПК не требуется

Начальная установка, как правило, проходит гладко, однако, судя по комментариям в среде пользователей, с дальнейшей работой и настройкой могут возникать трудности.

Шахматы: человек против компьютера

Создание компьютерных шахмат началось еще в 1951 году «Бумажной машиной Тьюринга», ход которой необходимо было ждать пол часа. Только в 1958 году появилась первая полноценная программа с сильным алгоритмом. Первый компьютер-шахматист уровня мастер появился в 1983 году ‒ его рейтинг составлял 2250. Самая известная схватка человека и компьютера произошла в 1997 году ‒ матч Каспаров против Deep Blue завершился капитуляцией действующего чемпиона мира, после чего компьютер навсегда захватил шахматную корону.

Казалось, уже ничего не сдвинет ЭВМ с трона. Как сказал Сергей Карякин, в наше время у человека нет шансов в матче против компьютера. Неудивительно, учитывая то, что люди тренируются, используя шахматные движки. В 2017 году самым сильным движком считался Stockfish, но в декабре компьютерная программа капитулировала перед Alpha Zero.

Альфа-Зеро ‒ это самообучаемый продукт нейронных сетей, который обыграл Stockfish без единого поражения. Матч Альфа Зеро ‒ Стокфиш длился 100 партий, в которых искусственный интеллект победил 28 раз и расписал ничью в 72 оставшихся партиях ‒ безоговорочная победа корпорации Google. На обучение у Alpha Zero ушло несколько часов.

Главное отличие искусственного интеллекта от шахматного движка ‒ использование накопленного опыта из каждой сыгранной партии. Стокфиш просто перебирает все возможные варианты (до 70 млн.), в то время как Альфа Зеро рассматривает всего 40 000 позиций, отбрасывая все зевки, провалы и бесперспективные ходы. Главным программистом в разработке AlphaZero стал бывший шахматист Демис Хассабис, который в 90-е профессионально занимался этой игрой.

Проблемы классических шахмат

Представители каждого вида спорта желают большей популярности их дела. Чем динамичнее и зрелищнее состязания, тем больше зрителей наблюдают за ними. Как следствие, спорт привлекает более дорогие рекламные контракты и приносит основной доход профессионалам. На пути популяризации шахмат много проблем, одной из которых является отсутствие борьбы на протяжении первых 20 ходов. Дело в том, что спортсмены проводят за компьютерным анализом развития дебютов очень много времени. Они запоминают, какой ход является предпочтительным в различных ситуациях и во время партии просто вспоминают, как надо ходить. Иногда спортсмены даже делают ошибочные ходы, пытаясь вспомнить верное продолжение, вместо того, чтобы действовать согласно логике.

Что в это время делать зрителям: спать в ожидании хода, включать трансляции через полтора часа после начала партии или постоянно сравнивать действия шахматистов с компьютерной программой в ожидании долгожданной ошибки? Выглядит не привлекательно, учитывая, что классические шахматы играются с контролем времени 2 часа на 40 ходов, затем еще час до конца партии.

Давно любители шахмат борются с этой проблемой и выдвигались самые необычные решения:

• Увеличение шахматной доски.
• Изменение формы доски.
• Добавление фигур.
• Изменение правил передвижения фигур.
• Урезание количества времени на ход или на партию (10 минут, 5 минут, 1 минута).

Все рассматриваемые варианты имеют один недостаток ‒ одинаковая начальная расстановка фигур. Оптимальное решение было создано Робертом Фишером в 1996 году. Он предложил начинать партию случайной расстановкой фигур. Всего возможных комбинаций получилось 960, из чего появилось второе название ‒ шахматы 960.

Скачать Leela Chess Zero

LCZero – не типичный UCI-движок, но все же он поддерживает универсальный шахматный интерфейс и потому может быть использован на ПК в шахматной оболочке, такой как, например, Chessbase, Fritz или Arena. Однако установка Лилы и ее настройка для эффективной и удобной работы потребует от пользователя несколько больших сил и знаний, а может быть и вложений, нежели в случае того же Стокфиша, Комодо или Гудини.

Скачать Leela Chess Zero можно с официального сайта разработчика lczero.org. Программа является бесплатной. Скачать потребуется: 1) файл движка lcexe и 2) файл сети

1) Непосредственно сам движок распространяется в трех версиях: Blas, OpenCL и Cuda.

• Blas потребляет в своей работе только ресурсы CPU (центрального процессора) и в отличие от OpenCL- и Cuda-версий не обращается к видеокарте, поэтому весьма значительно уступает им в силе и скорости
• OpenCL задействует GPU (графический процессор) с поддержкой OpenCL2
• Cuda использует возможности относительно свежих GPU NVIDIA и работает только с ними

Чтобы узнать о поддержке видеокарты стандарта OpenCL 1.2, можно воспользоваться программой GPU-Z (распространяется бесплатно). Платы AMD поддерживают OpenCL 1.2 последние полдесятка лет (на архитектуре GCN). Интегрированная в CPU графика (применяется, как правило, на ноутбуках) также подойдет при условии поддержки вышеупомянутого стандарта. Встроенные графические процессоры AMD позволят использовать OpenCL-версию LCZero, начиная с семейства Kaveri.

Cuda превосходит OpenCL, но поддерживает только видеокарты NVIDIA, начиная с GTX 600-й серии, т.е. с семейства Kepler (как правило не старше 2013 года) или новее (Maxwell, Pascal, Turing). С каждым новым релизом движка его требования могут расти – чем мощнее видеокарта, тем эффективнее она себя проявит.

2) В своей работе Leela Chess Zero использует тренируемые разработчиками и пользователями нейросети.

Для скачивания доступно множества сетей и применить из них можно любую, но стоит обратить внимание, что последняя сеть не всегда является самой сильной

Chess Vision

Chess Vision — это потрясающий набор инструментов на основе ИИ для игры в шахматы. Состоит оно из трех частей, обычным пользователям с головой хватит расширения для браузера Chrome или Firefox.

После установки расширения Chess Vision оно сможет анализировать шахматные доски прямо с вашего монитора. Например, если вы ломаете голову над онлайн-партией или смотрите стрим шахматного матча, просто запустите расширение: за минуту-другую оно отсканирует доску и предложит лучшие ходы и комбинации. В общем, это отличный способ научиться анализировать собственные ошибки.

Вторая составляющая Chess Vision — это поисковик для YouTube, заточенный под шахматы. Фильтр поисковика включает начальные позиции, фазы игры, открытие позиций и структуру пешек. Можно проводить поиск по общим темам, вроде гамбитов пешкой и рокировкам. Просто укажите нужные параметры и сервис тут же выдаст список всех подходящих видео на YouTube.

Последняя часть — это ИИ-считыватель электронных книг, который превращает обычные шахматные учебники в интерактивные страницы: вы сможете сразу разыграть любую партию, которую найдете в книге. Данная функция имеет ограничения для бесплатных пользователей, так что для полного доступа придется доплатить.

Time limit is the key

In the above case, it probably didn’t matter much if Stockfish ran for twice the time because the decision would have been the same, but on the next move it definitely would:

In this position, Stockfish chose to move the pawn on the left side (a4-a5). Let’s say I have a computer that runs the Stockfish engine at a speed of 1,400k nodes per second, that’s about 50 times lower than the Stockfish in the real game (In the paper, it says 70,000k n/s). So I can simulate the game if I run it for 50 minutes at each move. Okay.

I ran Stockfish analysis on the above position and I got the following results:

Stockfish started out suggesting some moves, but after 6 minutes on my computer (corresponds to 7.2 seconds on the Stockfish in the real game) it preferred a4-a5 just as the game went.

That’s good, but I kept it running for a complete 50 minutes in order to reach the computations of the Stockfish in the game that was allowed 1 minute:

• After 18 minutes the line changed back to Qc3.
• Again, after 24 minutes the best move was Ne3.
• After 27 minutes, it suggested Ng1 all the way up to 56 minutes. After that, the optimal move was Nf3xe5 but it’s past the 50 minutes mark I mentioned before (you can see the engine analysis for an hour and 22 minutes in this screenshot).

The sad truth is that I believe Stockfish lost all its games because of the time limit. Stockfish gets a more in-depth search and evaluation as the time passes and in the game it wasn’t allowed to use an opening book which makes it consider many moves in shallow depths. Note that in the actual game a4-a5 was played which shows that (assuming it could evaluate 70 million positions per second) the Stockfish in the game didn’t spend more than 21.6 seconds on the move. Otherwise, it would have changed its decision to those three other moves in the actual game. The reason for this is still unclear to me since my Stockfish was also consuming less memory (about ~130MB of RAM compared to the 1GB mentioned in the original paper, assuming all of it goes to hash tables).

Платформы

Версии выпуска и версии для разработки доступны как C ++ исходный код и как предварительно скомпилированные версии для Майкрософт Виндоус, macOS, Linux 32-бит / 64-бит и Android.

Stockfish был очень популярным движком для различных платформ. На настольном компьютере это шахматный движок по умолчанию, связанный с Интернет-шахматный клуб интерфейс программ BlitzIn и Dasher. На мобильной платформе он был связан с приложением Stockfish, SmallFish и Рыба-дроид. Другое Stockfish-совместимое графический пользовательский интерфейс (GUI) включают Фриц, Arena, Stockfish для Mac и PyChess. По состоянию на март 2014 года Stockfish — это шахматный движок, используемый Личинка, популярный шахматный онлайн-сайт.

Stockfish можно скомпилировать в WebAssembly или же JavaScript, позволяя запускать его в браузере. Обе Chess.com и lichess предоставляют вяленую рыбу в этой форме в дополнение к серверной программе.

На сцену выходят нейронные сети

Сейчас сильнейшим шахматным движком считаются нейронные сети. Так LeelaChessZero (LC0) уверенно победила Stockfish. Еще можно вспомнить знаменитую AlphaZero.

Нейронные сети способны в целом оценивать обстановку на доске, они предпочитают позиционный стиль, захват пространства и контроль над доской. LC0 сначала знала только основные правила движения фигур. Нейросеть, самообучаясь, провела с самой собой миллионы партий и стала лучшей в мире и скорее всего сохранит лидерство в обозримом будущем.

В целом, нейро-алгоритмы способны решать важнейшие исследовательские задачи, включая разработку новых материалов и лекарств.

Преимущества случайных шахмат

Спортсмен не может запомнить разновидности дебютов для 960 расстановок фигур и борьба начинается уже с первого хода. Шахматистам придется делать упор на изучение закономерностей шахмат, а не заучивание сицилианской и новоиндийской защиты. Некоторые расстановки настолько опасны, что защищаться от мата приходиться с первых ходов. При таких раскладах появляется дополнительная интрига, которая сможет компенсировать длинный контроль времени в шахматах. Все-таки обычные зрители не могут так быстро и глубоко просчитывать ходы, как это делают профессионалы ‒ им сложно следить за логикой развития фигур в блице (5 минут) или рапиде (10 минут).

Случайные шахматы ассоциируются с боевыми действиями времен Македонского, когда было неизвестно точное расположение противника, ставка вражеского генерала, а на первое место выходили тактические навыки полководцев и доблесть воинов.

Классические шахматы больше ассоциируются с футбольным матчем, в котором обе команды боятся пропустить и практически не атакуют большими силами.

Такое сравнение логично, если взглянуть на недостатки классических шахмат:

• Замыленные изученные дебюты.
• Сильные спортсмены теряют преимущество в начале партии, вследствие чего они затягиваются.
• Отсутствие динамичности.

В шахматах Фишера расчет на 6-7 ходов ведется уже перед первым движением фигуры, а каждая партия не похожа не предыдущую ‒ это называется спортом интеллектуалов. Такой спорт может привлечь новых зрителей на турниры, а детей ‒ в школы шахмат.

Неофициальный чемпионат мира по шахматам 960 проходил этой зимой. Победителем стал Магнус Карлсен ‒ шахматист, который всегда отличался нестандартным мышлением, глубокими многоходовками, яркой и бескомпромисной игрой. Норвежец выразил желание, чтобы случайные шахматы Бобби Фишера стали постоянным соревнованием в календаре международной шахматной федерации, хотя Виши Ананд говорил, что «Карлсен ‒ продукт кибернетики».

Такие признанные шахматисты, как Спасский и Карпов положительно относятся к фишер-рэндому, а Тайманов считал, что это шахматы XXI века. Существуют и противники шахмат Фишера. Владимир Крамник утверждает, что  случайная расстановка ведет к исчезновению гармонии игры.