في عصر الذكاء الاصطناعي المتقدم، أثبت نموذج AlphaZero قدرته على التفوق على البشر في ألعاب استراتيجية عديدة، وذلك بفضل تقنيات مثل بحث مونت كارلو (Monte Carlo Tree Search) المستندة إلى نماذج عصبية. لكن تساؤلات تثار حول الأداء التطبيقي لهذا النموذج، حيث تتضح الفجوة بين اللعب القوي واللعب المثالي.

لتعزيز الفهم، قام الباحثون بدراسة AlphaZero في سياق لعبتين مختلفتين من حيث البنية: 'Connect Four' وهي لعبة محكومة بقيم نظرية لعب دقيقة، و'Chomp' التي تفتقر إلى الرقابة التامة.

تحت منهجية موحدة تعتمد على اللعب الذاتي (self-play) مع تنقيح مونت كارلو، تمت مقارنة النسخة التقليدية من AlphaZero مع نسخة متعددة الإطارات (multi-frame variant) والتي تركز على Chomp، ونموذج مساعد جديد يعرف باسم AlphaZero Auxiliary Loss (AZAL) الذي يعتمد على إشراف استراتيجي مستمد من نظام القيم المثلى (oracle-derived policy supervision).

النتائج أظهرت أن AlphaZero التقليدي يحقق أداءً قوياً في اللعبتين، ولكنه يفتقر إلى الحفاظ على المسارات المثالية المطلوبة لتحقيق اللعب الأمثل. ففي 'Connect Four'، عجز عن الحفاظ على الخط المثالي، وفي 'Chomp'، لم يستطع المحافظة على الثبات اللازم.

ومع ذلك، حققت نسخة AZAL تحسنًا ملحوظًا في تناسق الإمكانية الذهنية عبر تعقب الألعاب الكاملة والتقييمات المأخوذة من حالات مختارة. حيث حققت AZAL في 'Chomp' مستوى مثالي من التناسق ولاسيما في الألواح بحجم 10x11، وأظهرت تحسنًا ملحوظًا ولكنه لم يصل للكمال في حجم 9x10. بينما في 'Connect Four'، ساعد AZAL في تحسين معدل التوافق مع الاستراتيجية المثالية، وتأخير الخطأ الأول، لكنه لم يصل في النهاية إلى لعب مثالي.