OthelloZero : Vom leeren Brett zur Meisterstrategie

Diese Arbeit untersucht die Entwicklung einer selbstlernenden Künstlichen Intelligenz für das Brettspiel Othello nach dem AlphaZero-Prinzip (Silver, Hubert et al., 2017a; Silver, Schrittwieser et al., 2017b). Ziel war es, zu zeigen, dass leistungsfähige Spiel KI auch mit begrenzten Rechenressourcen realisierbar ist. Grundlage bildet ein neuronales Netz, das in einem iterativen Self-Play-Prozess trainiert und durch Monte Carlo Tree Search (MCTS) gesteuert wird. Das gesamte Training erfolgte lokal auf einem handelsüblichen Heimrechner, ohne externe Daten oder Hochleistungsrechenzentren. Das entwickelte System wurde über 55 Trainingsgenerationen hinweg optimiert. Die Evaluation erfolgte in umfangreichen Vergleichspartien gegen die etablierte Othello-Engine Edax (Delorme, 2025) auf verschiedenen Schwierigkeitsstufen sowie gegen menschliche Spieler. Die Ergebnisse zeigen eine stetige Steigerung der Spielstärke bis zu einer geschätzten Elo-Wertung von etwa 1780, knapp unterhalb von Edax Level 6. Policy-Heatmaps und Partienanalysen verdeutlichen eine zunehmende strategische Reife, darunter die gezielte Nutzung von Ecken, das Vermeiden riskanter Felder und eine adaptive Positionskontrolle. Die Resultate belegen, dass auch kompakte Architekturen in Kombination mit e!zienter Suche eine hohe Spielstärke erreichen können. Die Arbeit leistet damit einen Beitrag zur Idee einer ressourcenschonenden “Green AI” (Schwartz et al., 2020) und zeigt, wie moderne KI-Konzepte praxisnah und zugänglich umgesetzt werden können.