Heute lösen LLM  Olympia Gold Aufgaben . Aber als man damals die Large-Language-Models  erfunden hat, da hatte man eigentlich nur im Blickfeld ein  Sprachübersetzungsprogramm zu schreiben das besser ist als  DeepL

Der Gemini 3.5 flash erklärt hierzu -  nachdem ich ihn allerdings von der direkten Verbesserung von Stockfish weggelockt habe - folgendes:

A. Dynamisches Lernen von Bewertungsfunktionen (Live-Lernen)
Wenn eine zukünftige AGI "live" lernt, ein neues Strategiespiel zu spielen, muss sie extrem schnell generalisieren.
Ein neuronales Netz braucht dafür  Millionen von Trainingspartien, weil es jede Nuance statistisch lernen muss.

Eine neuro-symbolische KI mit EML-basierten Regressoren könnte nach nur wenigen Partien die symbolischen "Regeln" und physikalisch-mathematischen Prinzipien hinter einer Stellung erkennen (z. B. den mathematischen Zusammenhang zwischen Raumvorteil, Figurenaktivität und Königssicherheit). Sie würde eine kompakte, exakte Formel für die Stellungsbewertung selbst schreiben, anstatt ein riesiges neuronales Netz mühsam zu trainieren.

B. Drastische Reduktion der Modellgröße (Effizienz)
Heutige Schach-KIs wie AlphaZero oder Lc0 sind gigantische neuronale Netze, die GPUs mit enormem Stromverbrauch benötigen.
Wenn man die Bewertungsmuster eines solchen Netzes durch symbolische Regression (unter Verwendung des EML-Operators) in kompakte mathematische Formeln übersetzt (z.B. flache EML-Bäume bis Tiefe 4 oder 5), schrumpft der Rechenaufwand gigantisch. Ein solches symbolisches Modell könnte mit der Präzision eines neuronalen Netzes, aber der Rechengeschwindigkeit einer klassischen CPU-Engine laufen.