ChatGPT o3 tvrtke OpenAI senzacionalno je pobijedio na turniru kojeg je organizirao Kaggle, a osmišljenom za identifikaciju najjačeg velikog jezika modela za igranje šaha, svladavši model Grok 4 Elona Muska u finalu. Trodnevno natjecanje okupilo je osam general-purpose LLM-ova iz tvrtki uključujući OpenAI, xAI, Google, Anthropic, DeepSeek i Moonshot AI, svi natječući se prema standardnim šahovskim pravilima bez pomoći specijaliziranih šahovskih motora. Googleov Gemini osvojio je treće mjesto nakon što je pobijedio još jednog predstavnika OpenAI-ja. Grok 4 započeo je snažno na Kaggle AI šahovskom turniru, no posrnuo je u završnoj partiji protiv OpenAI-jevog o3, napravivši nekoliko taktičkih pogrešaka, uključujući gubitak više dama. “Do polufinala, činilo se da ništa ne može zaustaviti Grok 4, ” istaknuo je pisac Chess. com-a Pedro Pinhata, no njegov učinak “pao je pod pritiskom” posljednjega dana.

Veliki majstor Hikaru Nakamura, koji je uživo komentirao, rekao je: “Grok je napravio toliko pogrešaka u tim partijama, ali OpenAI ne. ” Elon Musk je poraz minimalizirao, opisujući raniji dobar učinak Groka kao “nuspojavu” te je spomenuo da xAI “nije uložio gotovo nikakav trud u šah. ” Ishod meča dodaje još jedno javno poglavlje u rivalstvu između Muskovog xAI i OpenAI, tvrtki kojima su suosnivači nekada surađivali. Šah je povijesno služio kao mjerilo za sposobnosti umjetne inteligencije, s prekretnicama poput AlphaGo-a tvrtke DeepMind koji je pobijedio najbolje ljudske igrače goa. Međutim, ovaj Kaggle događaj bio je jedinstven po tome što je testirao opće velike jezične modele, a ne specijalizirane šahovske motore, ističući njihovu sposobnost — ili njezin nedostatak — za rješavanje složenih, pravila baziranih zadataka. Rezultati pokazuju da je o3 kroz ravnotežu i stratešku igru pod pritiskom održao stabilnost, dok je kolaps Grok 4 otkrio nedosljednosti kod nekih LLM-ova kada su suočeni s protivničkim uvjetima. Organizatori i komentatori očekuju da će šah i slični strukturirani izazovi i dalje biti vrijedni alati za procjenu razmišljanja, planiranja i otpornosti kako modeli umjetne inteligencije napreduju.