OptiChess
Un moteur d’échecs écrit en C++, avec sa propre interface d’analyse et un bot qui joue sur Lichess.
Le premier moteur, en Python, date de 2019 et s’est révélé trop lent pour ce qu’on voulait lui faire faire. Il a été réécrit en C++ pour la vitesse, et le projet n’a pas vraiment cessé depuis.
Le moteur et son interface sont écrits de zéro en C++ avec raylib : la recherche, l’évaluation, le rendu, et jusqu’aux pièces, dessinées à la main. Aucun morceau de Stockfish à l’intérieur, aucun fichier venu d’ailleurs.
La recherche est le choix intéressant du projet : l’algorithme principal, GrogrosZero, est une recherche arborescente de Monte-Carlo (MCTS) guidée par UCT, avec une quiescence aux feuilles, plutôt que l’alpha-bêta, plus courant. L’alpha-bêta reste présent en appui, puisqu’il borne cette quiescence, et une recherche alpha-bêta classique existe à part, en option. Un MCTS-Solver, qui remonte dans l’arbre les gains et les pertes prouvés, est en test. C’est un chemin plus difficile aux échecs, où la profondeur tactique pardonne peu ; la recherche est bornée sans allocation pendant l’exploration, pour éviter que la mémoire ne devienne le facteur limitant.
L’évaluation reste écrite à la main, matériel, structure de pions, sécurité du roi, activité, et elle est rendue en probabilités de résultat, victoire, nulle, défaite, plutôt qu’en un seul score. L’interface affiche ces composantes séparément, seule façon commode de voir quel terme se trompe.
Le terme le plus travaillé est la sécurité du roi, le plus dur à estimer sans calcul : soit c’est mat, soit ça ne l’est pas. Il est volontairement agressif, quitte à surestimer un peu l’attaque. Le moteur sacrifie donc volontiers du matériel pour aller chercher le roi adverse, dans l’esprit des échecs romantiques. Face à Stockfish, tout est réfuté ; face à un humain, c’est difficile à défendre. Chaque fonction d’évaluation formalise ce qu’un joueur juge d’instinct, si bien que le moteur joue d’une façon très proche de celle de son auteur, en plus précis tactiquement.
Un cap a été franchi le jour où, en mode analyse, son jugement est devenu plus fiable que celui de son auteur : les rares fois où le doute persistait, Stockfish ou Leela Chess Zero lui donnaient raison. Le récit complet, et pourquoi se faire dépasser par sa création est un plaisir : Créer.
Le moteur tourne comme bot sur Lichess sous le nom Grogros_Zero, ce qui l’oblige à tenir devant de vrais adversaires, dans de vraies cadences et avec un vrai protocole.
Pour suivre ses progrès sans dépendre des adversaires du jour, il passe aussi un banc de 5 000 problèmes tirés de la base publique de Lichess. Mesure du 15 octobre 2026 : 4 049 résolus (81,0 %) avec 500 itérations de recherche sur un seul fil ; 72,7 % avec 100 ms par problème sur un fil, et 71,9 % avec 100 ms sur douze fils, où le parallélisme n’apporte pas encore de gain.
Ce choix de recherche s’écarte volontairement de l’approche classique. Il s’inspire d’AlphaZero mais vise un calcul proche de celui d’un joueur humain plutôt que d’un réseau : explorer d’abord ce qui a l’air prometteur, et savoir dire pourquoi. Faute de documentation toute faite pour cette approche, l’interface déroule la réflexion coup par coup : sans elle, impossible de voir ce que la recherche croit.
Quatre ans après, la cohabitation des tables de transposition et de la détection de répétition reste un problème ouvert. Une position identique n’a pas la même valeur selon le chemin qui y mène, et rien ne garantit que la conception actuelle le permette. C’est le seul endroit du projet où l’on ne sait pas si le problème est un bug ou une décision prise trop tôt.
C’est le plus ancien projet encore vivant du site. Commencé en 2022, précédé d’un premier moteur en Python, il est antérieur aux outils d’IA utilisés aujourd’hui : celui-là est écrit à la main.
