二十年前，IBM 的“深藍”計算機震驚了世界，成為首臺在六局比賽中擊敗衛冕世界國際象棋冠軍的機器。這臺超級計算機戰勝令人難以置信的加里·卡斯帕羅夫引發了關於機器如何能夠勝過國際象棋大師的爭議，並引發了指責——來自卡斯帕羅夫和其他人——指責該公司作弊才取得勝利。然而，在 1997 年 5 月那場命運攸關的比賽之前的幾個月和幾年裡發生的真實情況實際上比革命性更具進化性——一個像洛奇·巴爾博厄式的崛起，充滿了智力上的較量、艱苦的進步以及在費城的失敗，最終為凱旋的複賽奠定了基礎。
幾十年來，計算機科學家一直將國際象棋視為衡量人工智慧的標準。20 世紀 70 年代後期出現了國際象棋計算器，但又過了十年，卡內基梅隆大學的研究生團隊才製造出第一臺在常規錦標賽比賽中擊敗國際象棋大師的計算機——名為“深思”。這種成功是短暫的——同年晚些時候，即 1989 年，卡斯帕羅夫在兩場比賽中輕鬆擊敗了“深思”。IBM 對卡內基梅隆大學團隊的技術印象深刻，因此邀請其研究人員加入，開發早期版本的“深藍”——“深思”的繼任者。“深藍”團隊在 1996 年費城的一場錦標賽中再次輸給卡斯帕羅夫，但在與世界冠軍的六局比賽中設法贏了一局。
“那次看似微小的勝利‘對我們來說非常重要，它表明我們走在正確的軌道上’，” “深藍”人工智慧專家默裡·坎貝爾說道，他現在是 IBM T. J. 沃森研究中心認知計算組織內人工智慧基礎小組的傑出研究人員。“到 1997 年最後一場比賽時，我們根據經驗對系統進行了足夠的改進，因此我們能夠獲勝。”大眾科學與坎貝爾談論了計算機科學家對國際象棋的長期痴迷，IBM 如何扭轉局面戰勝衛冕國際象棋冠軍，以及人工智慧未來面臨的挑戰。
關於支援科學新聞業
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞業 訂閱。透過購買訂閱，您正在幫助確保未來能夠繼續報道有關塑造我們當今世界的發現和想法的具有影響力的故事。
[以下是經過編輯的採訪文字記錄。]
您最初是如何參與“深藍”專案的？
我曾是卡內基梅隆大學研究生團隊的一員，IBM 與我們團隊進行了接觸。我長期以來對計算機國際象棋很感興趣，甚至在本科時就編寫過國際象棋程式。在卡內基梅隆大學，我更廣泛地研究人工智慧，而不是專門構建能夠與世界冠軍對弈的高效能國際象棋計算機。但是，作為一個副專案，我們中的一些人[包括 許峰雄 和 托馬斯·阿納塔拉曼]確實開發出了後來被稱為 “深思” 的機器，它成為了第一個擊敗國際象棋大師（錦標賽中的職業水平選手）的程式。
IBM 注意到我們在預算有限的情況下構建這臺機器所取得的成功，並認為讓我們中的一些人加入 IBM 研究院[在 1989 年末]開發下一代機器（稱為“深藍”）會很有趣。他們想知道世界上最優秀的國際象棋棋手是否有什麼特別之處是計算機在可預見的未來無法企及的。我們的感覺是這將在幾年內完成，儘管其他研究人員認為還需要幾十年。
國際象棋的哪些方面使其成為計算機科學家特別感興趣的問題？
全世界有數億人下國際象棋。眾所周知，這是一種需要策略、遠見、邏輯——以及構成人類智慧的各種品質的遊戲。因此，將國際象棋用作衡量人工智慧發展的標尺是有道理的。
當我們看待像國際象棋這樣的遊戲時，我們會說，“嗯，是的，計算機當然做得很好，因為它是一個定義明確的遊戲——規則、走法、目標。”這是一個受約束的問題，您瞭解所有資訊。儘管如此，儘管有所有這些簡化，您也可以說國際象棋是一個極其複雜的遊戲，這就是為什麼我們作為一個領域，花了 50 年的時間發展才最終擊敗世界冠軍。
您在“深藍”團隊中的具體角色是什麼？
我是人工智慧專家。1989 年和 1990 年代初期，人工智慧與現在大不相同。當時的主導部分是我們現在稱之為的傳統人工智慧或符號人工智慧，它較少基於機器學習。當然，機器學習在當時是一個嚴肅的領域，但與今天的情況截然不同，今天我們擁有海量資料集、大型計算機和非常先進的演算法來處理資料並提出可以做一些令人驚奇事情的模型。當我開始在 IBM 工作時，用於遊戲程式的機器學習方法還相當原始，無法在構建“深藍”方面為我們提供太多幫助。我們致力於高效搜尋和評估可能延續的演算法，我們知道“深藍”需要這些演算法才能參與競爭。
當時人工智慧最重要的侷限性是什麼？
硬體實際上不支援構建今天已被證明在製作大資料模型中很有用的大型網路。而且，當時我們需要的程度，資料本身也不一定存在。任何時候，當您回顧 20 或 25 年前最流行的計算機系統時，您都會震驚於您如何在這樣的系統上完成任何事情。但是當然，我們做到了——我想我們不知道我們錯過了什麼，因為我們從未體驗過它。
至於資料，我認為當時沒有人清楚地意識到大資料集會帶來巨大的好處。構建真正的大型資料集是不划算的，部分原因是處理能力不足以使用它。因此，我們使用小得多的資料集。
您自己的國際象棋專業知識在構建“深藍”中有多大用處？
不如您想象的那麼有用。在早期階段，我能夠發現系統的問題，並提出我認為能夠解決一個問題而不會產生一系列其他問題的方法。這可能足以讓我們達到一定程度。然而，最終，如果您要參加比賽，您需要掌握大量特定於遊戲的知識。當我們接近真正與世界冠軍對弈的時候，我們請來了國際象棋大師——特別是 喬爾·本傑明——來幫助我們。
國際象棋大師如何幫助提高“深藍”的水平？
他們提供的幫助分為兩個部分。其中一個特別之處是幫助建立開局庫，每個國際象棋程式都使用開局庫來節省時間並確保進入合理的局面。人類研究國際象棋開局已經有幾個世紀了，並開發出了自己最喜歡的[走法]。國際象棋大師幫助我們選擇其中一些走法並將其程式設計到“深藍”中。
您也可以說他們是“深藍”的陪練夥伴。他們會與計算機對弈，並嘗試找出系統的弱點。然後，我們會與他們以及“深藍”團隊的其他成員坐在一起，嘗試闡明弱點究竟是什麼，以及是否有辦法解決它。有時，考慮到我們所受到的限制——我們將計算機的部分指令直接程式設計到稱為國際象棋加速器晶片的硬體上，而不是編寫軟體——有些問題我們無法輕易解決。但通常情況下，總有一些方法可以提高其處理我們已識別問題能力的方法。
“深藍”如何決定走哪一步棋？
“深藍”是一個混合體。它具有通用超級計算機處理器，並結合了這些國際象棋加速器晶片。我們有在超級計算機上執行的軟體來執行國際象棋計算的一部分，然後將更復雜的部分的走法交給加速器，加速器然後計算[可能的走法和結果]。超級計算機將獲取這些值，並最終決定要採取的路線。
“深藍”如何在 1996 年到 1997 年間取得進步，從而擊敗卡斯帕羅夫？
我們做了幾件事。我們透過建立新一代硬體，或多或少地將系統的速度提高了一倍。然後，我們透過在國際象棋晶片中新增使其能夠識別不同局面並使其更加了解國際象棋概念的功能，從而提高了系統的國際象棋知識。這些晶片隨後可以搜尋可能性的樹狀結構，以找出局面中的最佳走法。1996 年到 1997 年之間改進的部分原因是我們在國際象棋局面中檢測到更多模式，並且可以對它們進行估值，因此可以更準確地評估國際象棋局面。1997 年版本的“深藍”每秒搜尋 1 億到 2 億個局面，具體取決於局面的型別。該系統可以搜尋到六到八對走法（白方一步，黑方一步）的深度，在某些情況下甚至可以搜尋到最多 20 對或更多對。儘管如此，雖然我們確信 1997 年的“深藍”比 1996 年的版本好得多，但在我看來，比賽最可能的結果是平局。即使進入比賽的最後一局，我仍然期待平局，以及可能的複賽。
為什麼 IBM 在 1997 年比賽後沒有批准卡斯帕羅夫的複賽請求？
我們認為我們已經實現了目標，即證明計算機可以在比賽中擊敗世界國際象棋冠軍，並且是時候轉向其他重要的研究領域了。
自那場比賽以來的二十年裡，人工智慧發生了怎樣的變化？
當然，機器在處理速度和記憶體等方面都有了改進。人們也開始收集——就像他們業務的一部分一樣——更多的資料，這些資料為當時的機器學習演算法提供了素材。最終，我們開始意識到，將所有這些東西結合起來可以產生一些非凡的結果。IBM 沃森系統，它參加了Jeopardy!，使用了一個基於機器學習的系統，該系統使用了世界上存在的大量資料——例如維基百科等——並使用這些資料來學習如何回答有關真實世界的問題。從那時起，我們已經轉向學習如何執行某些型別的感知任務，例如語音識別和機器視覺。這促使沃森執行更多與業務相關的任務，例如分析放射影像並將該資訊與醫生共享。
您在“深藍”專案上的工作經驗如何影響了您未來的人工智慧工作？
我們特別學到的一件事是，看待複雜問題的方式不止一種。例如，在國際象棋中，有人類的方式，它是非常基於模式識別和基於直覺的，然後是機器的方式，它是搜尋密集型的，並且會檢視數百萬或數十億種可能性。通常，這些方法是互補的。這在國際象棋中是絕對正確的，但在許多現實世界的問題中也是如此——計算機和人類共同努力比任何一方單獨努力都更好。例如，我們不希望計算機自己接管患者的診斷和治療，因為在診斷患者方面有很多無形的東西很難在資料中捕捉到。但在就考慮的選項提出建議方面——也許是那些來自非常新的技術論文或臨床試驗的選項，醫生可能沒有意識到——這樣的系統可能非常有價值。
我們目前正在做的一項重要工作是採用非常先進的基於人工神經網路的系統，這些系統往往是非常黑盒的——它們不太擅長解釋為什麼它們會提出它們正在提出的建議——並賦予它們解釋自身的能力。如果一個系統無法解釋它，您如何真正信任來自該系統的建議？這些黑盒神經網路系統非常複雜，其中包含數百萬個引數。克服這種[複雜性]的部分原因可能在於透過向系統提供良好解釋的示例來訓練系統。當計算機做出診斷或推薦治療方案時，這在醫療保健領域尤為明顯。如果有一個合理的解釋，那麼我們可能會更適當地給予它應有的權重，以幫助醫生做出最終決定。