我不是该领域的专家，但我想提请您注意强化学习（维基百科关于 AlphaZero 的文章中也提到了这一点）。

“强化学习：简介”一书（Richard S. Sutton 和 Andrew G. Barto）是一个很好的起点。似乎是从强化学习开始的“圣经”。

有一些简单的游戏实现，例如“井字游戏”（网上有很多示例），您可以从中了解如何开始。TicTacToe 上还有一个R 包。

我还注意到github 上有一些国际象棋项目（例如 Python），您可能会觉得它们很有趣。

这是一个很大的问题。有两种基本方法，主要区别在于搜索算法。

第一种方法，目前由世界上最强大的引擎 Stockfish 使用，涉及极小极大作为搜索算法。然后它调用NNUE来评估搜索树末尾的位置。minimax算法涉及大量人类知识来剪除不必要的分支，并且非常复杂；大多数人认为Stockfish 的搜索算法是一个黑匣子也就不足为奇了。

第二强引擎 Leela Chess Zero 使用的第二种方法涉及蒙特卡洛树搜索。还有一个神经网络，它获取当前位置并输出候选移动列表，每个移动都有获胜百分比。然后，引擎在最有希望的动作中分配时间，在每个节点调用神经网络。Leela 的神经网络是从零先验人类知识的自我游戏中训练出来的——这是计算密集型的。

您可以在Chess Programming wiki上找到更多详细信息，以及 Chess.SE 上的几个问题（例如this或this）。

AlphaZero 算法在 Leela Chess Zero 中实现，并且至少在 Stockfish 实现自己的 NN 辅助算法之前实际上是领导者之一。

在这里：https ://en.wikipedia.org/wiki/Leela_Chess_Zero

神经网络：https ://training.lczero.org/networks/?show_all=0

代码：https ://github.com/LeelaChessZero/lc0/releases

它使用第 20 和第 30 系列的张量核心在 Nvidia GPU 上进行分布式学习，因此是最先进的系统，完全开源，包括所有（很多）NN 权重。

我会推荐一种经典的 AI 方法。

我建议您实现具有深度限制的Minimax或具有深度限制的 A*。在这些场景中，您基本上重建游戏树并尝试所有移动并观察会发生什么（“好吧，如果我将它移到这里，我将获得优势，如果我将它移到那里，我将获得更多优势，等等......”）

如果您执意实施机器学习方法，Deep Q Learning值得一试。在这里，您尝试教深度神经网络如何“评价”动作，然后您只需对所有动作进行评分并选择最佳动作。