Menü
Shatranj.ai präsentiert ein auf traditionellem Wissen basierendes Modell für den Einsatz von KI im Bildungsbereich, bei dem das Erstellen und Experimentieren im Vordergrund steht. Wir nutzen Schach, Shatranj und historische Brettspiele, um Schülern zu helfen, künstliche Intelligenz von Grund auf zu verstehen: Regeln, Zustände, Suche, Bewertung, Lernen, Ethik und den Entwurf intelligenter Systeme.
Unser Ziel ist nicht nur KI-Kompetenz im Sinne von Bewusstsein oder der Nutzung von Tools. Unser Ziel ist es, jungen Menschen dabei zu helfen, zukünftige KI-Architekten zu werden: Lernende, die intelligente Systeme erklären, entwickeln, testen, verbessern und verantwortungsbewusst hinterfragen können.
Der Lehrplan von Shatranj.ai greift alte Schachrätsel auf und verwandelt sie in moderne Lektionen zu den Themen Rechnen, Algorithmen und künstliche Intelligenz.
Künstliche Intelligenz im Bildungswesen sollte nicht auf den Einsatz von Chatbots, das Verfassen von Schreibaufgaben oder die Automatisierung von Hausaufgaben reduziert werden. Die Schüler müssen auch verstehen, wie KI-Systeme Probleme darstellen, nach Möglichkeiten suchen, Entscheidungen bewerten, aus Rückmeldungen lernen und die Gesellschaft beeinflussen.
Shatranj.ai bietet Bildungseinrichtungen eine konkrete Möglichkeit, diese Konzepte zu vermitteln. Ein Brettspiel ist ein anschauliches System: Jede Position hat einen Zustand, jeder Zug verändert diesen Zustand, jede Regel lässt sich programmieren, und jeder Algorithmus kann überprüft, debuggt, verglichen und verbessert werden.
Die miteinander verflochtene Geschichte des Schachs und der künstlichen Intelligenz steht im Mittelpunkt unserer Lehrphilosophie. Von den frühen Automaten und der Café-Schach-Kultur bis hin zu Shannon, Turing, Deep Blue, Stockfish, AlphaZero und modernen Lernsystemen bietet das Schachspiel den Studierenden einen der klarsten historischen Pfade, um zu verstehen, wie Menschen sich intelligente Maschinen vorgestellt, gebaut, getestet und verbessert haben.
Shatranj.ai ist ein Erasmus+-KA2-Projekt im Bereich der Jugendbildung, das auf der Idee basiert, dass künstliche Intelligenz leichter verständlich wird, wenn Schüler sie anhand von Spielen, Rätseln, Geschichte und Programmiercode erleben können.
Wir verbinden kulturelles Erbe mit computergestütztem Denken. Die Schüler setzen sich mit historischen Brettspielen aus europäischen, mediterranen, afrikanischen, asiatischen und islamischen Geistestraditionen auseinander und entwickeln diese Spiele anschließend als programmierbare Systeme neu.
Dieser Ansatz macht den KI-Unterricht inklusiver. Die Schüler beginnen nicht allein mit abstrakter Fachterminologie aus dem Bereich des maschinellen Lernens. Sie beginnen mit vertrauten Konzepten: Spielbretter, Spielsteine, Regeln, Züge, Rätsel, Strategien, Geschichten und Entscheidungen.
Unser pädagogisches Versprechen ist einfach: Die Schüler entwickeln sich vom Spielen von Spielen hin zur Modellierung von Systemen, vom Lösen von Rätseln hin zur Umsetzung von Algorithmen und vom Einsatz von KI-Tools hin zum Denken wie zukünftige KI-Architekten.
Historische Brettspiele sind wirkungsvolle Lernumgebungen. Sie sind kulturell bedeutsam, visuell anschaulich, mathematisch strukturiert und bieten vielfältige rechnerische Herausforderungen. Sie ermöglichen es den Schülern, Geschichte, Sprache, Design, Ethik, Mathematik, Informatik und künstliche Intelligenz miteinander zu verknüpfen.
Bei Shatranj.ai beschäftigen sich die Schüler mit Schach, Shatranj, Qirkat, Mancala, dem Königlichen Spiel von Ur, 3-Stein- und 9-Stein-Spielen, Othello/Reversi, Dame-Varianten und anderen strategischen Spielen. Es geht nicht darum, KI als eine einzelne Technik zu vermitteln. Es geht vielmehr darum, KI als eine übertragbare Methode zur Darstellung und Lösung von Problemen zu vermitteln.
Shatranj.ai vermittelt Kenntnisse über künstliche Intelligenz anhand von Algorithmen, die die Schüler einsehen, testen, debuggen und erklären können. Der Lehrplan beginnt mit der Darstellung des Spielbretts und der Generierung zulässiger Züge und führt dann zu den Themen Suche, Bewertung, dynamische Programmierung, bestärkendes Lernen und Selbstspiel im Stil von AlphaZero.
Shatranj.ai lehrt KI-Algorithmen als Entwicklungspfad: von Rätseln und Suche zu Reinforcement Learning, Monte Carlo Tree Search und AlphaZero-ähnlichen Systemen.
Die Schüler lernen, wie man Spielfelder, Spielfiguren, zulässige Züge, Spielzustände, Endbedingungen und Bewertungsmerkmale darstellt. Dies bildet die Grundlage jeder Spiel-Engine und jeder Aktivität zum Thema „erklärbare KI“ im Lehrplan.
Die Studierenden befassen sich mit der Tiefensuche, der Breitensuche, der Suche mit gleichmäßigen Kosten, der heuristischen Suche und dem A*-Algorithmus. Diese Algorithmen helfen den Lernenden, Zustandsräume, Pfade, Kosten, Heuristiken und die systematische Erkundung zu verstehen.
Die Studierenden setzen Minimax, Expectiminimax, Bewertungsfunktionen und Alpha-Beta-Pruning um. Sie lernen, wie Schachengines mögliche Züge vergleichen und wie Pruning die Tiefensuche effizienter macht.
Rätsel wie die „Horse Tour“ und das „Acht-Königinnen-Problem“ veranschaulichen das Zurückverfolgen. Die Schüler lernen, wie ein Algorithmus eine Option ausprobiert, ein Scheitern erkennt, zurückkehrt und Alternativen untersucht.
„Sulis Diamant“ wird zu einer Lektion in dynamischer Programmierung, Zustandsräumen, gespeicherten Ergebnissen, Schlussfolgerungen im Tablebase-Stil und dem Zusammenhang zwischen historischen Rätseln und moderner Datenverarbeitung.
Die Studierenden setzen Entscheidungen in Brettspielen mit Belohnungen, Wertaktualisierungen, Q-Lernen, Temporal-Difference-Lernen, Deep-Q-Netzwerken, Monte-Carlo-Rollouts, MCTS und Selbstspielen im Stil von AlphaZero in Verbindung.
Die Algorithmenfolge umfasst die Darstellung des Spielfelds, die Zuggenerierung, Backtracking, DFS, BFS, Uniform-Cost-Suche, A*, Minimax, Expectiminimax, Alpha-Beta-Pruning, dynamische Programmierung, bestärkendes Lernen, Q-Lernen, Deep-Q-Netzwerke, Monte-Carlo-Rollouts, Monte-Carlo-Baumsuche, PUCT, Policy-/Value-Netzwerke sowie Pipelines im Stil von AlphaZero.
Diese Algorithmen werden nicht als isolierte Informatiktheorie vermittelt. Sie werden im Rahmen der kulturellen und geistigen Geschichte der Spiele behandelt: antike Rätsel, das mittelalterliche Shatranj, Stellungen aus Handschriften, moderne Schachengines und zeitgenössische KI-Systeme.
Der Lehrplan von Shatranj.ai ist als schrittweise aufbauender Lernpfad konzipiert. Die Studierenden beginnen mit den Grundlagen der Informatik und Python und beschäftigen sich anschließend mit der Modellierung von Brettspielen, Suchalgorithmen, KI-Spiel-Engines, verstärktem Lernen und Lernsystemen nach dem Vorbild von AlphaZero.
Erkunden Sie den Shatranj.ai-Lehrplan • Besuchen Sie die Lernplattform Shatranj.ai
Schach war eines der wichtigsten öffentlichen Versuchslabore in der Geschichte der künstlichen Intelligenz. Es half Forschern dabei, grundlegende Fragen zu stellen: Können Maschinen logisch denken? Können sie mögliche Zukunftsszenarien durchspielen? Können sie Stellungen bewerten? Können sie lernen, ohne dass ihnen explizit gesagt wird, was sie tun sollen?
Shatranj.ai nutzt diese Geschichte als pädagogisches Rückgrat. Die Schüler lernen die Geschichte des Schachs und der KI nicht als Auflistung berühmter Maschinen kennen, sondern als Abfolge von Konzepten: Repräsentation, Suche, Bewertung, Optimierung, Lernen, Hardware-Einschränkungen, Erklärbarkeit und Mensch-Maschine-Zusammenarbeit.
Dieser historische Ansatz hilft Bildungseinrichtungen dabei, KI als eine Geschichte der Menschheit zu vermitteln: eine Geschichte von Ideen, Kulturen, Werkzeugen, Grenzen, Experimenten und ethischen Entscheidungen.
Das Aushängeschild für diese Bildungsphilosophie ist der TEDxBoston-Vortrag: Schach: Kulturen überbrücken, KI inspirieren und Bildung neu definieren.
Dieser Vortrag verbindet Schachpädagogik, Kulturerbe, inklusives Design, historische Schachfiguren, antike Rätsel und die enge Verbindung zwischen Schach und künstlicher Intelligenz.
Die erweiterte Version von Shatranj.ai ansehen • Die TEDxBoston-Version ansehen • Alle Vorträge von Shatranj.ai anzeigen
KI im Bildungsbereich sollte sich nicht allein auf das Programmieren beschränken. Das Modell „Shatranj.ai“ verbindet künstliche Intelligenz mit Geschichte, Kunst, Philosophie, Sprache, Literatur, Wirtschaft, Ethik, Kulturerbe, Mathematik, Informatik und den Sozialwissenschaften.
Die Studierenden befassen sich damit, wie Schach, Shatranj und verwandte Spiele sich über Zivilisationen, Sprachen, Handschriften und bildliche Überlieferungen hinweg verbreitet haben.
Das Spielbrett wird zu einem Experimentierfeld für Koordinaten, Zählen, Geometrie, Kombinatorik, exponentielles Wachstum, Suchverfahren und Optimierung.
Die Schüler diskutieren über Fairness, Erklärbarkeit, verantwortungsvollen Einsatz, Umweltkosten, menschliches Urteilsvermögen und die gesellschaftlichen Auswirkungen von KI-Systemen.
Dieser interdisziplinäre Ansatz macht KI für Schüler zugänglicher, die sich durch unterschiedliche Stärken auszeichnen: Logik, Kunst, Sprache, Geschichte, Gaming, Design, Mathematik, Geschichtenerzählen oder gesellschaftliche Fragen.
Shatranj.ai betrachtet KI-Ethik als Teil des Kernlehrplans und nicht als Nebensache. Die Studierenden sollen nicht nur verstehen, was KI leisten kann, sondern auch, welche Kosten damit verbunden sind, wo ihre Grenzen liegen, wen sie betrifft und wie sie reguliert werden sollte.
Unser Modell „KI im Bildungswesen“ kann Diskussionen im Unterricht zu folgenden Themen anregen:
Shatranj.ai bietet Bildungseinrichtungen ein praxisorientiertes Modell für den KI-Unterricht, das kulturell vielfältig, fachlich fundiert und an unterschiedliche Rahmenbedingungen anpassbar ist.
Das Programm unterstützt:
Dieser Ansatz ist besonders nützlich für Einrichtungen, die Wert darauf legen, dass die KI-Ausbildung verständlich, ethisch fundiert, praxisorientiert, kulturell inklusiv und mit messbaren Lernergebnissen verknüpft ist.
Shatranj.ai ist Teil eines umfassenderen Ökosystems, das Lehrpläne, die Umsetzung in Schulen, kulturelles Erbe, gemeinnützige Öffentlichkeitsarbeit und öffentliche Kommunikation miteinander verbindet.
Ein KI-Lehrpfad zum Selberbauen und Experimentieren, der auf Schach, Shatranj, historischen Brettspielen, Python, KI-Algorithmen und moderner Schachsoftware basiert.
Eine historische Shatranj-Endspielstudie, die zur Vermittlung von dynamischer Programmierung, Tabellenbasen, Zustandsräumen, Verifikation und der Bewahrung des geistigen Erbes dient.
Eine schulgerechte Ausstellung zum Kulturerbe, die Schachspiele, Manuskripte, historische Exponate, Inklusion, visuelle Kultur und pädagogisches Geschichtenerzählen miteinander verbindet.
Eine Grundlage für den Schachunterricht in der frühkindlichen Bildung und in der Grundschule, die mit dem obligatorischen Schachunterricht in der Schule, Unterrichtsroutinen, sozial-emotionalem Lernen und mehrsprachigem Schachlernen verknüpft ist.
Bildungseinrichtungen brauchen mehr als nur Inspiration. Sie benötigen klare Lernziele, Unterstützung durch Lehrkräfte, wiederverwendbare Materialien und einen Lehrplan, der an verschiedene Altersgruppen und Rahmenbedingungen angepasst werden kann.
Das „Shatranj.ai“-Modell für den Einsatz von KI im Bildungsbereich kann unter anderem folgende Lernergebnisse fördern:
Wir freuen uns über den Austausch mit Schulen, Ministerien, Universitäten, Stiftungen, gemeinnützigen Organisationen, Kommunen, Schachverbänden, kulturellen Einrichtungen und Führungskräften im Bildungsbereich, die daran interessiert sind, KI-Bildung mithilfe von Schach und historischen Brettspielen umzusetzen.
Shatranj.ai vermittelt Kenntnisse über künstliche Intelligenz anhand von Schach, Shatranj und historischen Brettspielen. Die Schüler lernen, wie intelligente Systeme Spielzustände darstellen, Züge generieren, Möglichkeiten durchsuchen, Entscheidungen bewerten, aus Rückmeldungen lernen und sich im Laufe der Zeit verbessern.
Nein. KI-Kompetenz ist zwar Teil des Lehrplans, doch das übergeordnete Ziel besteht darin, die Schüler dabei zu unterstützen, zukünftige KI-Architekten zu werden. Sie lernen nicht nur, was KI ist, sondern auch, wie KI-Systeme aufgebaut, getestet, erklärt und verbessert werden.
Der Lehrplan behandelt die Darstellung des Spielfelds, die Generierung legaler Züge, Backtracking, DFS, BFS, Uniform-Cost-Search, A*, Minimax, Expectiminimax, Alpha-Beta-Pruning, dynamische Programmierung, bestärkendes Lernen, Q-Lernen, Deep-Q-Netzwerke, Monte-Carlo-Rollouts, Monte-Carlo-Baumsuche, PUCT sowie Selbstspiel im Stil von AlphaZero.
Brettspiele machen KI greifbar. Jede Position hat einen Zustand, jeder Zug verändert diesen Zustand, jede Regel lässt sich programmieren und jeder Algorithmus kann überprüft werden. Historische Brettspiele verbinden zudem die KI-Bildung mit Kultur, Kulturerbe, Design und menschlicher Entscheidungsfindung.
Nein. Die Schüler müssen keine guten Schachspieler sein. Die Partien dienen als Lernumgebung für Logik, Programmierung, Algorithmen, Kultur, Ethik und Konzepte der künstlichen Intelligenz.
Ja. Schulen können Shatranj.ai als modularen KI-Lehrpfad für Wahlfächer, Arbeitsgemeinschaften, STEAM-Programme, Programmier-Bootcamps, interdisziplinäre Projekte, Lehrerfortbildungsprogramme und Innovationsaktivitäten für Jugendliche nutzen.
Die Studierenden setzen sich mit den Themen Erklärbarkeit, Fairness, menschliches Urteilsvermögen, verantwortungsvolle Automatisierung und den Umweltauswirkungen von KI-Berechnungen auseinander. Ziel ist es, technisches Verständnis und ethische Verantwortung miteinander zu verbinden.
Die Seite bietet Bildungseinrichtungen ein klares Modell für den KI-Unterricht: einen kulturell inklusiven Lehrplan, eine Abfolge von lehrbaren Algorithmen, praktische Wege zur Umsetzung im Schulalltag, ethische Rahmenbedingungen sowie Links zu Lehrplänen, Vorträgen, Lernmaterialien und Projektergebnissen.
