for tyve år siden bedøvede IBMs Deep Blue-computer verden ved at blive den første maskine, der slog en regerende verdensmester i skak i en kamp med seks spil. Supercomputerens succes mod en utrulig Garry Kasparov udløste kontrovers over, hvordan en maskine havde formået at udmanøvrere en stormester, og tilskyndede beskyldninger—af Kasparov og andre—om, at virksomheden havde snydt sig til sejr. Virkeligheden af, hvad der skete i månederne og årene op til den skæbnesvangre kamp i maj 1997, var imidlertid faktisk mere evolutionær end revolutionær—en Rocky Balboa–lignende stigning fyldt med intellektuelle sparringskampe, omhyggelige fremskridt og et nederlag i Philadelphia, der i sidste ende satte scenen for en triumferende omkamp.

computerforskere havde i årtier set skak som en målerpind til kunstig intelligens. Skakspil regnemaskiner opstod i slutningen af 1970 ‘ erne, men det ville vare endnu et årti, før et team af Carnegie Mellon University kandidatstuderende byggede den første computer—kaldet Deep Thought—for at slå en stormester i et almindeligt turneringsspil. Denne succes var kortvarig – senere samme år, 1989, slog Kasparov Deep Thought behændigt i de to spil. IBM var imponeret nok med C. M. U. holdets teknologi til at bringe sine forskere ombord for at udvikle en tidlig version af Deep Blue—Deep thoughs efterfølger. Deep Blue-holdet tabte igen til Kasparov i 1996 ved en turnering i Philadelphia, men formåede at vinde et spil ud af seks mod verdensmesteren.den tilsyneladende lille sejr ” var meget vigtig for os at vise, at vi var på rette spor,” siger Deep Blue AI-ekspert Murray Campbell, nu en fremtrædende forskningsmedarbejder i AI Foundations group inden for IBM T. J. “På tidspunktet for vores sidste kamp i 1997 havde vi foretaget nok forbedringer af systemet baseret på vores erfaring, at vi var i stand til at vinde.”Scientific American talte med Campbell om computerforskernes lange besættelse af skak, hvordan IBM var i stand til at vende bordene på den regerende skakmester og de udfordringer, der ligger foran AI.

hvordan blev du først involveret i Deep Blue-projektet?
jeg var en del af en gruppe kandidatstuderende ved Carnegie Mellon University, som IBM henvendte sig til. Jeg havde haft en lang interesse i computerskak og havde endda skrevet et skakprogram som bachelor. Hos C. M. U. Jeg arbejdede på kunstig intelligens mere generelt og ikke ligefrem på at opbygge en højtydende skakcomputer, der kunne spille mod en verdensmester. Men som et sideprojekt udviklede en række af os den maskine, der blev kendt som Deep Thought, som blev det første program til at besejre en Stormester, en professionel spiller i en turnering.

IBM bemærkede de succeser, som vi havde bygget denne maskine på et shoestring-budget, og troede, det ville være interessant at få en gruppe af os til at deltage i IBM Research for at udvikle den næste generation af denne maskine, kaldet Deep Blue. De ønskede at vide, om der var noget specielt ved de allerbedste skakspillere i verden, der var ud over, hvad computere var i stand til i overskuelig fremtid. Vores følelse var, at det var inden for få år at blive gjort, selvom andre forskere troede, at det stadig var årtier væk.

hvad handler det om Skak, der gør et særligt interessant problem for en computerforsker? hundredvis af millioner af mennesker rundt om i verden spiller skak. Det er kendt som et spil, der kræver strategi, fremsyn, logik—alle mulige kvaliteter, der udgør menneskelig intelligens. Så det giver mening at bruge skak som målepind til udvikling af kunstig intelligens.

når vi ser på et spil som skak, siger vi: “nå, ja, selvfølgelig gør computere det godt, fordi det er et veldefineret spil-reglerne, bevægelserne, målene.”Og det er et begrænset problem, hvor du kender alle oplysningerne. Alligevel kan man på trods af alle disse forenklinger sige, at Skak er et enormt komplekst spil, og derfor tog det os som et felt 50 års udvikling for endelig at slå verdensmesteren.

Hvad var din rolle specifikt på Deep Blue-holdet?
Jeg er ekspert. AI var helt anderledes i 1989 og begyndelsen af 1990. Den dominerende del i disse dage var det, vi nu kaldte god gammeldags AI, eller symbolsk AI, som var mindre baseret på maskinindlæring. Bestemt maskinindlæring var et seriøst felt i disse dage, men intet som hvad det er i dag, hvor vi har massive datasæt og store computere og meget avancerede algoritmer til at kværne gennem dataene og komme med modeller, der kan gøre nogle fantastiske ting. Da jeg startede med IBM, var maskinindlæringsmetoder til spilprogrammer ret primitive og kunne ikke hjælpe os meget med at opbygge Deep Blue. Vi arbejdede på algoritmer til effektiv søgning og evaluering af de mulige fortsættelser, som vi vidste, at Deep Blue ville have brug for for at konkurrere.

Hvad var de væsentligste begrænsninger på AI dengang?
udstyret understøttede ikke rigtig opbygningen af de slags store netværk, der har vist sig nyttige i dag til fremstilling af big data-modeller. Og selve dataene var ikke nødvendigvis der i det omfang, vi havde brug for det på det tidspunkt. Hver gang du går tilbage og ser på de mest populære computersystemer fra 20 eller 25 år siden, er du chokeret over, hvordan du kan få noget gjort på et sådant system. Men selvfølgelig gjorde vi det—vi vidste ikke, hvad vi manglede, tror jeg, fordi vi aldrig havde oplevet det.

hvad angår data, tror jeg ikke, at nogen havde en klar ide dengang, at der var en stor fordel. Det ville ikke have betalt for at opbygge et rigtig stort datasæt, fordi processorkraften til dels ikke ville have været nok til at bruge det alligevel. Så vi nøjes med meget mindre datasæt.

hvor nyttig var din egen skakekspertise i opbygningen af Deep Blue?
ikke så nyttigt som du måske tror. Jeg var i stand til i de tidlige stadier at identificere problemer med systemet og foreslå tilgange, som jeg følte ville være i stand til at løse et problem uden at skabe en lang række andre problemer. Det var nok godt nok til at få os til et bestemt punkt. Til sidst, men hvis du skal spille konkurrencer, er der en lang række virkelig spilspecifikke viden, du skal have. Da vi kom tættere på det punkt, hvor vi faktisk ville spille mod en verdensmester, bragte vi stormestre—især Joel Benjamin—ind for at hjælpe os.

hvordan hjalp grand masters med at rejse Deep Blue ‘ s spil?
der var to dele til, hvordan de hjalp. Den ene var især at hjælpe med åbningsbiblioteket, som hvert skakprogram bruger for at spare tid og sikre, at det kommer i rimelige positioner. Mennesker har studeret skakåbninger i århundreder og udviklet deres egen favorit . Stormestrene hjalp os med at vælge en flok af dem, der skulle programmeres til Deep Blue.

de var også, man kunne sige, sparringspartnere for Deep Blue. De ville spille mod computeren og forsøge at lokalisere svagheder i systemet. Og så sad vi sammen med dem og med resten af Deep Blue-teamet og forsøgte at formulere, hvad den svaghed faktisk var, og hvis der var en måde at tackle den på. Nogle gange, i betragtning af de begrænsninger, vi havde—vi programmerede en del af computerens instruktioner direkte på et stykke udstyr kaldet en skakacceleratorchip i stedet for at skrive programmer—var der nogle problemer, vi ikke let kunne løse. Men ofte var der en eller anden måde, vi kunne forbedre dens evne til at håndtere et problem, vi havde identificeret.

hvordan besluttede Deep Blue, hvilke bevægelser der skulle foretages?
dyb blå var en hybrid. Det havde supercomputerprocessorer til generelle formål kombineret med disse skakacceleratorchips. Vi havde programmer, der kørte på supercomputeren for at udføre en del af en skakberegning og derefter aflevere de mere komplekse dele af et træk til acceleratoren, som derefter ville beregne . Supercomputeren ville tage disse værdier og til sidst beslutte, hvilken rute der skal tages.

hvordan gik Deep Blue frem fra 1996 til 1997 for at slå Kasparov?
vi har lavet et par ting. Vi fordoblede mere eller mindre systemets hastighed ved at skabe en ny generation af udstyr. Og så øgede vi skakviden om systemet ved at tilføje funktioner til skakchippen, der gjorde det muligt at genkende forskellige positioner og gøre det mere opmærksom på skakbegreber. Disse chips kunne derefter søge gennem et træ af muligheder for at finde ud af det bedste træk i en position. En del af forbedringen mellem ’96 og ’97 er, at vi opdagede flere mønstre i en skakposition og kunne sætte værdier på dem og derfor evaluere skakpositioner mere præcist. 1997-versionen af Deep Blue søgte mellem 100 millioner og 200 millioner positioner i sekundet afhængigt af typen af position. Systemet kunne søge til en dybde på mellem seks og otte par bevægelser—en hvid, en sort—til maksimalt 20 eller endnu flere par i nogle situationer. Stadig, mens vi var overbeviste om, at 1997 Deep Blue var meget bedre end 1996-versionen, var det mest sandsynlige resultat af kampen uafgjort. Selv går ind i kampens sidste kamp, jeg forventede uafgjort, og en sandsynlig omkamp.

hvorfor imødekom IBM ikke Kasparovs anmodning om en omkamp efter 1997-konkurrencen?
vi følte, at vi havde nået vores mål, at demonstrere, at en computer kunne besejre verdensmesteren i skak i en kamp, og at det var på tide at gå videre til andre vigtige forskningsområder.

hvordan har AI ændret sig i løbet af de to årtier siden den kamp?
selvfølgelig har maskiner forbedret i behandling hastighed og hukommelse og så videre. Folk begyndte også at samle-ligesom en del af deres forretning—meget mere data, der leverede foder til dagens maskinlæringsalgoritmer. Til sidst begyndte vi at indse, at kombinere alle disse ting kunne give nogle bemærkelsesværdige resultater. IBM-systemet, der spillede Jeopardy! brugte et maskinlæringsbaseret system, der tog en masse data, der eksisterede i verden—ting som f.eks. Siden da har vi flyttet til at lære at gøre visse former for perceptuelle opgaver som talegenkendelse og maskine vision. Det har ført til, at han har udført flere forretningsrelaterede opgaver såsom at analysere radiologibilleder og dele disse oplysninger med læger.

hvordan har din erfaring med at arbejde på Deep Blue været med til at påvirke dit arbejde med AI fremadrettet?
En ting vi især lærte er, at der er mere end en måde at se på et komplekst problem. For eksempel er der i skak den menneskelige måde, som er meget mønstergenkendelsesbaseret og intuitionsbaseret, og så er der maskinvejen, som er meget søgeintensiv og ser gennem millioner eller milliarder af muligheder. Ofte er disse tilgange komplementære. Det er helt sikkert sandt i skak, men også i mange virkelige problemer-at computere og mennesker sammen er bedre end en alene. Vi ønsker ikke, for eksempel, computere til at overtage diagnose og behandling af patienter af sig selv, fordi der er en masse immaterielle i at diagnosticere en patient, der er svært at fange i data. Men med hensyn til at fremsætte anbefalinger om muligheder for at overveje—måske dem, der er fra meget nylige tekniske papirer eller kliniske forsøg, som lægen måske ikke er opmærksom på—kan et sådant system være meget værdifuldt.

en vigtig del af det, vi laver lige nu, tager meget avancerede kunstige neurale netværksbaserede systemer, der har tendens til at være meget sorte boks–de er ikke særlig gode til at forklare, hvorfor de anbefaler, hvad de anbefaler—og giver dem evnen til at forklare sig selv. Hvordan kan du virkelig stole på en anbefaling, der kommer ud af systemet, hvis den ikke kan forklare det? Disse sorte boks neurale netværkssystemer er enormt komplekse, med millioner af parametre i dem. En del af at overvinde det kan være i retning af at træne et system ved at give det eksempler på gode forklaringer. Dette er især tydeligt i sundhedsrummet, når en computer stiller en diagnose eller anbefaler en behandling. Hvis der er en rimelig forklaring, så kunne vi nok mere passende give det den vægt, det fortjener at hjælpe en læge med at træffe en endelig beslutning.