Un nuevo paradigma

Ajedrez Komodo 13

Komodo 13 piensa como ningún otro programa de ajedrez. Inspirados por AlphaZero, los desarrolladores de Komodo GM Larry Kaufman y
Mark Lefler han reinventado su motor desde cero en los últimos dos años. El resultado habla por sí mismo: ¡El nuevo MCTS de Komodo
13 ("Monte Carlo Tree Search") busca movimientos de candidatos de una manera increíblemente innovadora y encuentra soluciones que
la mayoría de los motores nunca ven!

Más...

CCRL, la Lista de clasificaciones de ajedrez por computadora , es una de las listas de

clasificaciones de motores de ajedrez más antiguas y más antiguas en funcionamiento,
que se mantiene sólida durante 15 años. ¡Puede encontrar pruebas completas de motores
que se remontan a Chess Tiger 2004! Después de los tiempos, ahora también incluyen
pruebas con tarjetas gráficas para probar redes neuronales, que incluye no solo a Leela y
Fat Fritz, sino también a Allie y Stoofvlees. Pero Fat Fritz, corriendo con una GPU
RTX2080 que encabeza la corriente (Noviembre 23 de rd ) lista. Si bien no creemos que la
competencia motor contra motor sea la mejor razón para usar nuestro nuevo motor
insignia, sus puntos fuertes como socio de análisis efectivo van más allá de la mera
calificación, sigue siendo una valiosa métrica independiente.

23 de noviembre rd
matriz de resultados, Top 12 motores (mejores versiones solamente)
El sitio web es muy sofisticado con una impresionante gama de filtros, detalles y
estadísticas. De manera predeterminada, mostrará solo las mejores versiones de
cualquier motor específico, pero si hace clic en el enlace Lista completa, mostrará todas
las versiones y configuraciones de hardware utilizadas.

Se puede encontrar un desglose de los resultados de los partidos individuales al final de

la lista, o haciendo clic en cada entrada. Todos los juegos están disponibles para
descargar .
 Obteniendo el máximo rendimiento de su motor
Uno de los aspectos más fascinantes de las redes neuronales es su dependencia (por
ahora) de un procesador de gráficos (GPU) para lograr los mejores resultados. Para
algunos, esto se considera "injusto" cuando se compara con un motor de ajedrez
convencional como Stockfish, Komodo y muchos más, ya que obtiene una Unidad Central
de Procesamiento (CPU) y una GPU. Sin embargo, esta es una forma muy engañosa de
describir lo que sucede. La razón es doble:
1. La GPU no se usa para hacer ningún cálculo. Si bien la búsqueda se realiza en la CPU al igual que cualquier
motor, la GPU lee el enorme archivo de pesos, que contiene millones de valores que componen su comprensión
del ajedrez, para cada evaluación. Incluso con una GPU de primera línea, solo se utilizan dos núcleos para
ejecutar la búsqueda. Más realmente afectará la velocidad, ya que el cuello de botella es realmente qué tan rápido
la GPU puede leer el archivo de red neuronal, y no los cálculos de búsqueda de la CPU.
2. El motor clásico ciertamente puede usar dos núcleos de CPU, o cuatro, o 32, o 128. Cada núcleo agregado solo
aumenta la velocidad de sus cálculos. Fat Fritz y Leela no obtienen nada de montañas de núcleos de CPU
adicionales.
Como resultado, decir que la red neuronal tiene una ventaja gracias a la GPU es
incorrecta, ya que no puede beneficiarse de muchos núcleos de CPU como los motores
convencionales. Es simplemente diferente.

Comprender que un motor convencional es diferente de una red neuronal está bien, pero ¿cómo se pueden
comparar en una situación equilibrada? Lamentablemente, la respuesta no es sencilla.

Cómo comparar: la relación AlphaZero

Cuando DeepMind publicó su documento sobre AlphaZero y los resultados contra
Stockfish 8, dieron una información crucial que, en ese momento, probablemente parecía
una curiosidad en el mejor de los casos: la relación. Todos los resultados que publicaron
se basaron en dos cosas: el control del tiempo y, sobre todo, la ventaja de velocidad
general en nodos por segundo que tenía Stockfish: 900 veces más nodos por segundo
(en promedio).

Fuente: DeepMind

¿Por qué era esto importante? Porque cuando las redes neuronales llegaron a la PC como
una realidad práctica para reproducir AlphaZero, la única forma de comparar resultados
era establecer una coincidencia que usara las mismas condiciones (alrededor de 63,000
frente a 58,100,000). Esto significa que si Fat Fritz o Leela se ejecutan a 10,000 nodos
por segundo, Stockfish debería ejecutar alrededor de 9,000,000 nodos por
segundo. Incline demasiado la balanza de una manera u otra, y entonces claramente
estará favoreciendo un lado sobre el otro.

The Diesel Dragster

Una curiosidad que también compartió DeepMind en su primer documento preliminar ,
fue cómo AlphaZero se basó en una profundidad mínima para mostrar realmente su
fuerza.

Rendimiento de AlphaZero y Stockfish, trazado contra el tiempo por

movimiento. (fuente: DeepMind )
En pocas palabras, muestra que a profundidades muy poco profundas, incluso AlphaZero
perdió y perdió mucho con Stockfish, pero alrededor de 30 mil nodos por movimiento se
equilibró, y solo avanzó más allá de eso. Tenga en cuenta que eran nodos por
movimiento, no por segundo. Para AlphaZero, en su hardware impresionante, que
significaba aproximadamente medio segundo de análisis, pero en una GPU más lenta que
podría significar más tiempo que se necesitaba. Fat Fritz, a pesar de toda su maravillosa
creatividad, se ha demostrado ilustrar esto con creces. El GM Moradiabadi ha notado cuán
principiante era el juego de Fat Fritz, lo que significa que si la posición exigía sacrificios
materiales por la actividad, no dudaría, incluso si esto conducía a posiciones agudas de
doble filo. Quizás es por esta razón que los resultados en juegos muy poco profundos (o
hardware débil) pueden conducir a resultados decepcionantes,

Sin embargo, si tiene en cuenta estos factores, puede obtener resultados

superlativos. Aquí hay un partido jugado en 100 juegos contra Stockfish Dev
(construcción del 6 de noviembre) usando las aperturas TCEC 16, en juegos de 10
minutos con un incremento de 5 segundos.
El hardware fue tal que Stockfish ejecutó alrededor de 27 millones de nodos por segundo
(según la posición de inicio) en 32 subprocesos, mientras que Fat Fritz (una construcción
más nueva) se ejecutó a 30 mil nodos por segundo, para una relación perfecta de 900 a
1 como se explicó encima. Esto también significa que por cada movimiento, Fat Fritz
estaba obteniendo un mínimo de 400 mil nodos. Recuerde que AlphaZero se ejecutó en
juegos mucho más largos, alcanzando fácilmente 30 millones de nodos por movimiento,
con Stockfish obteniendo 900 veces eso.

Procesador AMD Ryzen Threadripper 1950X de 16 núcleos 3394 MHz W = 12.5 capas; 77kN / s; 478 TBAs B =
39.1 capas; 30,286kN / s; 18,415,379
TBA 1.e4 7 e6 11 2.Cc3 9 (d4) d5 6 3.d4 5 Ab4 5 (Nf6) 4.e5 10 (exd5) c5 18 (Bf8) 5.a3 10 Axc3
+ 4 6.bxc3 6 Ce7 6 7.Dg4 8 Tf8 21 (cxd4) 8.a4 17 (Nf3) Dc7 5 (Qa5) 9.Dd1 9 (Nf3) b6 23 (cxd4) 10.Cf3 0 Rg8
10 11.Ab5 0 (Bd3) c4 9 (Bb7) 12.a5 12 bxa5 4 13.h4 0 ( Ba3 ) a6 13 14.Ae8 0 (Ba4) Dd8 29 15.Aa4 0 h5 5 16.A
g5 0 Ad7 28 (Qf8) 17.Axd7 0 Dxd7 7 18.g4 0 (Rxa5) De8 12 (Qb7) 19.gxh5 19 Cf5 4 20.Ch2 12 Cd7 8 21.Cg4 5
Rh7 6 (Rxh5) 22.Td2 17 (Rxa5) Tg8 18 23.De2 10 (Rxa5) a4 9 24.Thb1 8 Ta7 16 (Rb8) 25.Ce3 11 Cxe3 4 (Nh6
) 26.Axe3 9 Cb8 6 27.Tg1 11 (Rb4) Cc6 7 (Qf8) 28.h6 10 g6 7 29.Txa4 7 Ce7 5 30.Ta5 13 (Rga1) Cc6 48 31.Ta
2 19 Ce7 14 32.Ta5 4 Cf5 6 ( Cc6 ) 33.Ag5 12 Da8 4 34.Dg4 16 (Rga1) Db7 23 (Rb7) 35.Tga1 16 Tb8 44 36.Dg
1 14 (Bf6) Da8 11 (Qb2) 37.
Dh1 10 (Qc1) Tb5 0 38.T5a4 8 (h5) a5 0 39.h5 11 Dc6 6 (Qg8) 40.Ad8 11 (R4a2) Da8 0 41.Af6 8 (Bg5) Tb2 0 (
Qf8) 42.Dc1 8 (hxg6+) Tb5 10 43.Dg1 9 (hxg6+) Db8 6 (Qg8) 44.hxg6+ 13 fxg6 2 45.T4a2 10 Db6 4 46.Dc1 11
(Ke2) Db7 4 (Rb7) 47.Dd1 8 (Qg1) Ta8 3 (Qb8) 48.Dg1 10 Db6 6 (Qb8) 49.Dc1 6 (Ke2) Tg8 4 (Rb8) 50.Dd1 0
(Ke2) Ta8 6 51.Ta3 0 (Qc1) Ta7 4 52.Re2 0 (Qh1) Tb2 3 53.Ta4 0 (Bg5) Db3 4 (Rb5) 54.Rd2 4 Db7 4 (Qb6) 55.
Dc1 12 Tb5 5 (Qb6) 56.T4a2 8 (Bg5) Db8 4 57.Re2 6 Db6 3 (Ra8) 58.Da3 6 (Bg5) Ta8 5 (Qb8) 59.Rd2 4 (Qc1)
Db7 5 60.Tg1 6 (Qc1) a4 4 (Rb8) 61.Taa1 8 (Rga1) Tb2 5 (Qb8) 62.Rc1 4 Tb6 9 (Rb5) 63.Td1 6 (Rg5) Db8 4 64
.Rd2 6 (Rg1) Db7 10 (Rb2) 65.Dc5 7 (Kc1) Tb2 0 (Rb5) 66.Tdc1 5 (Kc1) Tb5 10 (Ra7) 67.Da3 3 Df7 4 (Rb2) 6
8.Tg1 7 (Rcb1) Tb7 6 69.Tg5 6 (Rab1) Ch4 16 (Rba7) 70.Re2 7 Cf5 2 71.Rd2 4 De8 3 (Nh4) 72.Tg4 7 (Rag1) D
f7 7 73.Rc1 5 Ce7 3 (Qc7) 74.Tb1 3 Txb1+ 4 (Nf5) 75.Rxb1 0 Tb8+ 4 (Ng8) 76.Ra2 0 Cg8 4 77.Tf4 2 Db7 7 78.
Db4 3 Dc8 8 (Qa8) 79.Dd6 11 (Qc5) Db7 2 80.Db4 0 Da7 10 (Qa8) 81.Ae7 5 Cxh6 7 82.Dc5 4 Db7 3 83.Db4 2
Da7 18 84.Da3 3 (Qc5) Cf5 3 85.Tf3 7 (Bd6) Db7 3 (Kg8) 86.Th3+ 14 Rg8 4 87.Ab4 0 Cxd4 3 88.Dc1 1 Cf5 3 8
9.Dg1 8 (Qg5) Dg7 3 (Qf7) 90.Ad6 8 Te8 3 91.Th1 9 Ch6 3 (a3) 92.Aa3 5 Cf5 4 93.Dg2 4 (Qg5) Rf7 3 94.Dg5 3
Tc8 3 (Kg8) 95.Tg1 7 (Rb1) Tb8 4 96.Th1 5 Re8 4 (Kg8) 97.f3 5 (Bb4) Rf7 4 98.Ad6 4 (Rg1) Tc8 6 99.Tg1 6 (
Re1) Te8 4 (a3) 100.Ac7 3 (Bc5) Rg8 3 (Rh8) 101.Ab6 0 (Bd8) Ta8 3 (Rb8) 102.Ac5 5 Rf7 5 (a3) 103.Ad6 7 (R
h1) Cxd6 3 (Kg8) 104.exd6 2 Ta7 23 (Qf6) 105.De3 8 Td7 4 106.Tg4 1 e5 5 107.f4 3 Txd6 7 108.f5 4 (fxe5) Re
8 17 (Kg8) 109.Tg5 6 Tc6 9 (a3) 110.fxg6 6 Te6 0 (Kd8) 111.Dc5 5 Rd8 4 (Rxg6) 112.Dxd5+ 81–0
Movimiento norte Resultado Elo Jugadores

1.e4 882,370 54% 2422 ---

1.d4 724,837 55% 2437 ---

1.Cf3 214,169 56% 2439 ---

1.c4 140,894 56% 2441 ---

1.g3 16,662 56% 2427 ---

1.b3 8102 52% 2413 ---

1.f4 4615 46% 2370 ---

1.Cc3 2646 49% 2383 ---

1.b4 1170 44% 2360 ---

1.e3 561 45% 2367 ---

1.d3 510 47% 2360 ---

1.a3 455 48% 2377 ---

1.c3 198 48% 2382 ---

1.g4 138 39% 2381 ---

1.h3 79 35% 2352 ---

1.h4 43 43% 2340 ---

1.Nh3 19 53% 2419 ---

1.a4 15 47% 2419 ---

1.f3 11 18% 2361 ---

1.Na3 11 55% 2453 ---

Entonces, ¿por qué 'Diesel Dragster'? La idea era transmitir un corredor que puede ser
lento para alcanzar la velocidad, pero que tiene una velocidad máxima fantástica una vez
que llega allí.

Configuraciones óptimas
Si observa la configuración interna de Fat Fritz y Leela, notará muchos valores que son
completamente diferentes, como el CPUCT, el factor CPUCT, etc. Estos valores son el
resultado de un proceso profundamente automatizado conocido como CLOP, que ayuda a
determinar los mejores valores de rendimiento para un motor. Estos variarán de un
motor a otro, o en este caso de una red neuronal a otra, así que no asuma que un
conjunto de mejores valores funcionará en otro. Podrían paralizar fácilmente la otra red
neuronal en lugar de ayudarla

Aún así, como un pequeño secreto compartido ahora con los lectores: el proceso de
ajuste se extendió a 170 horas completas para Fat Fritz, y sus nuevos valores óptimos
son ligeramente diferentes a los que se incluyeron con el primer lanzamiento. Si bien se
incluirán en la próxima actualización del motor, siéntase libre de usarlos ahora:
Simplemente haga clic derecho en el panel del motor y seleccione Propiedades para abrir
las opciones de UCI

Cambie el cpuct a 3.56 (en lugar de 3.67), el cpuctfactor a 2.74 (en lugar de 2.54) y
la temperatura de la política a 1.84 (en lugar de 1.87). Puede ver estos valores y dónde están
arriba.

Nvidia 16xx tarjetas de video

Si posee una máquina que tiene una de las tarjetas de gama media más nuevas de
Nvidia como GTX1650, GTX 1650ti, GTX1660 o GTX1660ti, puede disfrutar de un buen
aumento de velocidad cambiando la opción UCI llamada Backend a cudnn-fp16 . Sin
embargo, asegúrese de dejar el número de hilos a 2. Más que eso dañará el rendimiento.
Múltiples GPU
Un escenario que no se cubrió en absoluto en el proceso de instalación es la cuestión
de múltiples GPU. No hay duda de que puede obtener los máximos resultados con más de
una GPU, y al contrario de los juegos en el pasado que requerían una conexión especial
que los uniera, todo lo que necesita es tenerlos instalados y hacer algunos cambios en las
opciones de UCI.
Los cambios exactos son:

Backend -
Opciones de backend de multiplexación - (backend = cudnn-fp16, gpu = 0), (backend =
cudnn-fp16, gpu = 1)
Subprocesos - 4

Conclusión
Esperemos que ahora se encuentre armado con los medios para aprovechar al máximo su
Fat Fritz o Leela, y qué esperar.

Para obtener más información, consulte todas las historias sobre Fat Fritz y el nuevo Fritz
17 .
Aprenda aperturas de ajedrez con Fritz 17
En Fritz 17 encontrará varias funciones nuevas de gestión de apertura y capacitación:
Gestiona tus aperturas con "Mis movimientos"

El nuevo repertorio de apertura en Fritz 17 se llama "Mis movimientos". Está separado

para blanco y negro. Agregue variaciones a su repertorio haciendo clic en un movimiento
en cualquier parte del programa y marcándolo como "Mi movimiento". Esto incluirá toda
la variación hasta este movimiento en su repertorio. Marcar movimientos es la única
forma de almacenar variaciones, pero esto también ahorra mucho tiempo al ingresar
movimientos uno por uno, copiando desde una fuente.

Gestiona y perfora tu repertorio de apertura

Su repertorio "Mis movimientos" se almacena en línea. Puede acceder desde cualquier

máquina, y también desde un navegador web. Pero las golosinas no se detienen
ahí. Imagina que estás viendo un juego en vivo en Playchess, ya sea un bombardeo
casual o una transmisión de un torneo de GM. Incluso entonces, puedes verificar
instantáneamente si un juego jugado sigue una apertura de tu repertorio.
En el LiveBook en Fritz (y a través de la aplicación web como en la imagen a
continuación), los movimientos estarán codificados por colores, y puede ver si el
movimiento ya está en su repertorio. Si no es así, simplemente haga clic en él para
agregarlo.

Azul = Este movimiento está en tu repertorio para Blanco.

Green = Move está en tu repertorio para Black.
Cian = Juegas este movimiento con ambos colores.
* (un asterisco) = Marcado como 'Mi movimiento'.
** (a asteriscos) = Marcado como 'Importante para mí'.
Memorizar variaciones iniciales

El software de base de datos de ajedrez crea una ilusión seductora. El manejo bien
estructurado de las variaciones iniciales en su análisis personal crea la impresión de que
uno puede reproducirlas fácilmente en el tablero. Por supuesto, la investigación de
apertura pura es divertida. Sin embargo, para el éxito práctico, realmente debe poder
recordar todo de memoria. Fritz 17 presenta el ejercicio como una forma eficiente y
entretenida de ayudar con esto.
Al perforar , juegas tus líneas y Fritz responde de una manera que te mantienes dentro de
tus repertorios preparados. Los movimientos se juegan según su frecuencia en los juegos
maestros.
Después de un tiempo, Fritz 17 detecta qué variaciones conoce bien y cuáles no. Luego,
los sistemas más inestables se ofrecen con mayor frecuencia para que pueda solidificar
su memoria de manera eficiente.

El cuadro de diálogo de exploración muestra su 'Puntaje de memoria'. Si reproduce el

movimiento correcto para una posición cinco veces seguidas, esta posición se cuenta
como totalmente aprendida y obtiene un punto. Has aprendido tu repertorio al 100% si lo
logras en cualquier posición.
Repertorios estándar

Fritz 17 proporciona acceso a repertorios de apertura estándar para casi todas las líneas
destacadas del ajedrez. Esos repertorios se actualizan periódicamente a la teoría actual y
los juegos recientes en nuestro servidor. Puede explorarlos con Exploración gratuita o
subirlos a 'Mis movimientos'. O elige líneas individuales marcando movimientos. Por
supuesto, simplemente puede almacenarlos en sus bases de datos tradicionales. Abra
una lista llamando a Aperturas → Repertorios estándar . Haga clic en cualquier entrada y se
cargará automáticamente.
Los repertorios estándar están disponibles en cuatro
niveles: Fácil - Club - Torneo y Profesional . Esto ahorra trabajo: como jugador de club
normal, no tienes que extraer los mejores movimientos de un repertorio profesional
profundamente anidado adecuado solo para jugadores de nivel maestro.
Teoría de apertura 'relajada'

La mejor manera de memorizar las variaciones de apertura es ejecutar movimientos

físicamente. En la pantalla o incluso mejor en un tablero. Tu cerebro estará más
involucrado en lo que haces. Sin embargo, a veces, al final de un largo día, es posible
que desee recostarse, relajarse y dejar intactos el mouse y el teclado.

Para satisfacer esto, Fritz 17 presenta la reproducción de árboles de variación. Puede ver
cómo se reproduce su repertorio en la pantalla. Las líneas se seleccionan al azar y se
repiten con la frecuencia que desee. Solo déjalo correr, ajusta la velocidad y mira.

Repertorios estándar y repetición de árbol completo

Blitz & Train en Playchess.com

Aún así, aprender no es solo memorizar, y mejorar los juegos es una parte clave de
todo. Aquí también las funciones nuevas pasarán por tus juegos, o los juegos que elijas,
para resaltar errores, combinaciones o sacrificios, y presentarlos como ejercicios listos
para usar que puedes resolver en tu computadora o imprimir para ti o para tus alumnos.
Puede imprimir los rompecabezas como un libro, con diagramas primero y las soluciones
al final.
Los juegos de Blitz contienen errores tácticos. Los errores generalmente ocurren en
posiciones interesantes, por lo que puede aprender de ellos. Desde la última versión de
Fritz, los juegos que se juegan en Playchess.com se analizan automáticamente, pero eso
trajo un dilema:

¿Debería uno mirar el análisis o jugar el próximo juego?

La nueva función "Blitz & Train" ayuda con esto: crea material de entrenamiento a partir
de sus juegos en línea, sin importar si se han jugado hoy o el mes pasado. Unos pocos
clics y puede imprimir hojas de ejercicios desde sus propios juegos. Haga clic en la
pestaña 'Entrenamiento' en la sección Playchess de Fritz:

La opción Sacrificios encuentra ejercicios con movimientos hermosos, mientras

que Blunders pide el mejor movimiento en la posición donde un lado cometió un error.
Verdadero percentil de salida

Una de las características de las redes neuronales es que aprenden y evalúan una
posición en función de las posibilidades de ganar. Fat Fritz desglosará esto no solo en las
posibilidades de ganar en general, sino en las ganancias, empates y pérdidas
esperados. Esto es útil ya que decir que una posición tiene una probabilidad del 50% no
le dirá si eso significa que espera un 50% de victorias y un 50% de pérdidas, o solo un
100% de empates. Fritz 17 ha sido modificado para permitir a los usuarios ver esta salida
pura de la red neuronal.

Hay una nueva opción de salida del motor "Mostrar probabilidades de ganar" que está
activa por defecto.

Cuando ejecute el motor, también verá el desglose en la parte inferior. Puede ver que el
primero es la tasa general de ganancias, seguido de los detalles de las ganancias, los
empates y las pérdidas.
Información sobre el juego de Anand
Como muchos lectores aquí, soy principalmente un jugador de ajedrez y un fanático del
ajedrez, y estaba disfrutando de las batallas de la Copa Sinquefield con gran entusiasmo,
a pesar del decepcionante número de juegos que no lograron producir el merecido
resultado decisivo. Uno de los juegos más emocionantes fue tal caso: una victoria
cercana de Vishy Anand sobre Ding Liren que terminó en empate.

La mayoría de los jugadores y expertos recordarán el juego principalmente por

los 26 perdidos ... ♞ e4 !! que habría ganado el juego en el acto.
Ding vs Anand
Las negras se perdieron el tiro espectacular 26 ... !!e4 !!

Para ser justos, mientras que el propio Vishy sin duda crujía los nudillos sobre eso más
tarde esa noche, Ding Liren admitió fácilmente en la entrevista posterior al juego que él
mismo ni siquiera había sospechado el movimiento durante el juego.

Cuando los dioses no están de acuerdo

Sin embargo, hubo un movimiento aplastante que se perdió dos
movimientos anteriores que no fueron mencionados por los comentaristas porque estaban
obsesionados con la opinión de Stockfish. Aquí está la posición dos movimientos
anteriores después de 24.f3 .
En esta posición, no hubo muchos comentarios sobre la elección de las negras 24 ... h5 ya
que esta también fue la elección de Stockfish, por lo que la retroalimentación fue similar
a "encontró la mejor jugada". Me senté en este punto porque en mi computadora portátil,
con una GPU bastante mediana, había estado siguiendo el juego con una beta de Fat
Fritz, y prácticamente cantaba la victoria en el caso de 24 ... ♛ c4 !!
 Esto es lo que estaba viendo.

De hecho, la grasa Fritz fue señalar que ... ♛ c4 era una temática jugar en más de una
ocasión después de esto, incluso cuando Anand jugó durante el juego, aunque para
entonces ya necesitaba juego muy preciso para garantizar la victoria. Después del juego,
le pregunté a Anand sobre esto, y él dijo que ... ♛c4 era 'técnica obvia', y como tal fue
un movimiento que analizó en numerosas ocasiones.
Lo curioso es que cuando consulté Bacalao en mi procesador i7, incluso después de varios
minutos de análisis se clasificó 24 ... ♛ c4 un distante tercer lugar, sólo mejor para el
Negro, pero difícilmente aplastamiento.
Así que ahora quedaba la pregunta: ¿quién tenía razón? Fat Fritz con su evaluación de
que ♛c4 es aplastante, o Stockfish que piensa que no es malo, pero tampoco es
especialmente bueno. Le di a Stockfish los movimientos elegidos por Fat Fritz para ver si
podía refutarlos, especialmente porque la posición aún es muy compleja.

El espectacular movimiento clave aparece sólo tres movimientos más tarde después
de 24.f3 ♛ c4 25. ♕ XC4 dxc4 26. ♘ g5 ♞ d5 27. ♗ a5:
¿Qué juega Black aquí?

¡No olvides que puedes mover las piezas de arriba!

El golpe mortal de las negras aquí es 27 ... ♝ a7 !! Con la idea de 28 ... ♜ a8 . Tomar al
obispo lleva a una desaparición rápida después
de 28. ♘ xa7? ♜ a8! 29. ♘ b5 ♜ xa5 recuperando la pieza con un peón para arrancar.
Seguir el análisis de ambos motores condujo a muchas líneas fascinantes, pero todas
claramente iban a ganar para Black. Lo sorprendente fue que Stockfish fue
extremadamente lento para acreditar a las negras con incluso una ventaja de -2 incluso
10 movimientos más tarde, a pesar del intercambio adicional.

Por ejemplo, aquí hay una posición después de una línea de análisis en diez movimientos
más tarde:
Análisis después de 35 ... g5

A estas alturas, Fat Fritz se encuentra en la clara estratosfera juzgándose a sí mismo a

+13 más o menos, lo que significa que cree que esto es una mera cuestión de
técnica. Técnica, es seguro que no hace falta decirlo. Aquí Stockfish dice que
planea 36.g4 , esperando 36 ... f4 en respuesta, bloqueando completamente la posición, y
solo después de dos mil millones de nodos su evaluación comienza a escalar más allá de -2
y -3 para las negras. Como nota al margen, intentar sentarse en la posición con un
movimiento como 36.b3 falla cuando las negras arrasan con 36 ... b5!
Claramente, esto no fue solo un caso de una táctica fallida, ya que incluso después de
que pasaron los movimientos difíciles, aún luchó para percibir esto como ganado.

Disminución del intercambio

Suponiendo que no hay ningún argumento que 25. ♕ XC4 perderá para las blancas, lo que
si se niega el cambio de damas con 25. ♕ d1 !?
Análisis después de 25. Dd1, rechazando el cambio de reina

La continuación obvia de las negras es 25 ... ♛ b4 con la desagradable doble amenaza

de ... ♛ xb2 y ... ♛ d2 . ¿Qué puede hacer el blanco? Vishy dijo que también había visto
esta línea, pero se encontró con un recurso poderoso que no pudo ver una forma de
superar. Aquí analizó, en total acuerdo con Fat Fritz, debe notarse: 25 ... ♛ b4
26.b3 ♛ d2 ...
¿Cómo evita las blancas una pérdida inmediata aquí?

La respuesta es 27. ♞ f2 !! un excelente disparo que protege a la reina y amenaza

a 28. d xd2 donde el peón será un objetivo. Incapaz de ver cómo continuar aquí, esto
terminó siendo la línea que impidió que el ex campeón mundial lo jugara. Aunque hay
una continuación ganadora aquí, no es obvio. La continuación va 27 ... ♞ d7 28. ♗ c5 ♞ xc5
29.dxc5 d4!
Y ahora el intento de confundir el tema con 30. ♕ xd2 exd2 31. ♘ xd4 ♜ d8 32.e3 falla en el
elegante 32 ... ♝ e5 33. ♔ f1 ♝ xd4 34.exd4 :
Análisis después de 34. exd4
Negro para jugar y ganar

Y aquí las negras ganan con el simple 34 ... ♜ e8!

Además de la impresionante evaluación de la red neuronal, las líneas atractivas marcadas
por algunos movimientos hermosos realmente no merecían perderse en el olvido, de ahí
este artículo. En cuanto a que Anand pierda esta posibilidad, la complejidad es tal que
incluso un gran jugador no tendría motivos para lamentarse por perderla. Como vio el
poder de la idea, su juicio claramente no era inferior, el problema era hacer que las líneas
funcionaran.

Reproduce el análisis completo

Conclusión
¿Fat Fritz vio todo esto con un fin concreto? Por supuesto no. Ciertamente vio la línea
principal y el disparo clave 27 ... ♝ a7 !! casi de inmediato, pero más adelante se trata
realmente del juicio posicional. Creo que este es el tipo de posición que realmente
muestra cuán diferente puede ser el análisis con Fat Fritz, y algunas de las cosas que
puede esperar encontrar y disfrutar.