před Dvaceti lety IBM Deep Blue počítač šokoval svět tím, že první stroj porazil úřadující mistr světa v šachu v šest-herní zápas. Superpočítač je úspěch proti nevěřícně Garry Kasparov vyvolala polemiku nad tím, jak se stroj podařilo vymanévrovat grand master, a vyvolal obvinění—Kasparov a další—, že společnost podváděl svou cestu k vítězství. Realita toho, co se událo v měsících a letech, vedoucí až k osudové utkání v Květnu 1997 však bylo ve skutečnosti více evoluční, než revoluční—Rocky Balboa–jako růst naplněný duševní sparring zápasů, píli a pokrok a porážka ve Philadelphii, která nakonec připravila půdu pro triumfální odvetu.

počítačoví vědci po celá desetiletí považovali šachy za metrovou tyč pro umělou inteligenci. Šachy-hrát kalkulačky se objevil v pozdní 1970, ale to by bylo ještě deset let předtím, než tým z Carnegie Mellon University postgraduální studenti postavili první počítač—tzv. Hluboké myšlenky—porazit velmistra v pravidelné turnajové hry. Tento úspěch byl krátkodobý-později téhož roku, 1989, Kasparov porazil Deep Thought ve dvou hrách. IBM byla ohromeni dost s. C. M. U týmu technologie přinést jeho výzkumných pracovníků na palubě, aby rozvíjet rané verze tmavě Modrá—Tmavě Myslel, že je to nástupce. Tým Deep Blue opět prohrál s Kasparovem v roce 1996 na turnaji ve Philadelphii, ale proti světovému šampionovi dokázal vyhrát jeden zápas ze šesti.

Že zdánlivě malé vítězství „bylo pro nás velmi důležité ukázat, že jsme na správné cestě,“ říká Deep Blue AI expert Murray Campbell, nyní význačný výzkum zaměstnance v AI Základy skupiny v IBM T. J. Watson Research Center Kognitivní Computing organizace. „V době našeho finálového zápasu v roce 1997 jsme na základě našich zkušeností udělali dost vylepšení systému, že jsme byli schopni vyhrát.“Scientific American hovořil s Campbellem o dlouhé posedlosti počítačových vědců šachem, o tom, jak IBM dokázala obrátit stoly na vládnoucího šachového šampiona a o výzvách, které čekají na AI.

Jak jste se poprvé zapojili do projektu Deep Blue?
byl jsem součástí skupiny postgraduálních studentů na Carnegie Mellon University, kterou IBM oslovila. Měl jsem dlouhý zájem o počítačové šachy a dokonce jsem napsal šachový program jako vysokoškolák. Na C. M. U. Pracoval jsem na umělé inteligenci obecněji a ne úplně na stavbě vysoce výkonného šachového počítače, který by mohl hrát proti světovému šampionovi. Ale jako vedlejší projekt číslo z nás vyvinout stroj, který se stal známý jako Hluboké myšlenky, která se stala první program porazit velmistra, profesionální úroveň hráče v turnaji.

IBM si všiml, úspěchy, které jsme měli budově tento stroj na šněrovadlo rozpočtu, a myslel, že by bylo zajímavé mít skupinu z nás, připojte se k IBM Research rozvíjet další generace tohoto stroje, s názvem Deep Blue. Chtěli vědět, jestli existuje něco zvláštního o nejlepších šachistů na světě, který byl nad rámec toho, co počítače byly schopny v dohledné budoucnosti. Náš pocit byl, že to bylo během několika let od dokončení, i když si jiní vědci mysleli, že je to ještě desetiletí.

Co je to o šachu, který dělá obzvláště zajímavý problém pro počítačového vědce?
stovky milionů lidí po celém světě hrají šachy. Je známá jako hra, která vyžaduje strategii, předvídavost, logiku-všechny druhy vlastností, které tvoří lidskou inteligenci. Má tedy smysl používat šachy jako měřicí tyč pro vývoj umělé inteligence.

když se podíváme na hru, jako je šachy, říkáme: „no, ano, samozřejmě počítače dělají dobře, protože je to dobře definovaná hra-pravidla—pohyby, cíle.“A je to omezený problém, kde znáte všechny informace. I přes všechna ta zjednodušení se dá říct, že šachy jsou nesmírně složitá hra, a proto nám jako oboru trvalo 50 let vývoje, než jsme konečně porazili mistra světa.

jaká byla vaše role konkrétně v týmu Deep Blue?
byl jsem odborník na umělou inteligenci. AI byla zcela odlišná v roce 1989 a na začátku roku 1990. Dominantní roli v té době bylo to, co jsme nyní nazývali dobrou staromódní AI, nebo symbolická AI, která byla založena méně na strojovém učení. Jistě strojového učení byl vážný pole v těchto dnech, ale nic jako to, co to je dnes, kdy máme masivní datové sady a velkých počítačů a velmi pokročilé algoritmy máselnice přes data a přijít s modely, které můžete udělat nějaké úžasné věci. Když jsem začínal s IBM, metody strojového učení pro herní programy byly poměrně primitivní a nedokázaly nám moc pomoci při budování Deep Blue. Pracovali jsme na algoritmech pro efektivní vyhledávání a vyhodnocování možných pokračování, o kterých jsme věděli, že Deep Blue bude potřebovat, aby mohla konkurovat.

jaká byla tehdy nejvýznamnější omezení AI?
hardware opravdu nepodporoval budování druhů velkých sítí, které se dnes ukázaly jako užitečné při vytváření velkých datových modelů. A samotná data tam nutně nebyla v takové míře, v jaké jsme je v tu chvíli potřebovali. Kdykoli se vrátíte a podíváte se na nejoblíbenější počítačové systémy před 20 nebo 25 lety, jste šokováni tím, jak byste mohli něco udělat na takovém systému. Ale samozřejmě jsme to udělali—nevěděli jsme, co nám chybí, asi proto, že jsme to nikdy nezažili.

pokud jde o data, myslím, že tehdy nikdo neměl jasnou představu, že by to mělo velký přínos. Nevyplatilo by se vybudovat opravdu velký datový soubor, protože zčásti by výpočetní výkon stejně nestačil k jeho použití. Takže jsme si vystačili s mnohem menšími datovými sadami.

jak užitečná byla vaše vlastní šachová odbornost při budování Deep Blue?
není tak užitečné, jak si myslíte. Byl jsem schopen, v raných fázích, identifikovat problémy se systémem a navrhnout přístupy, které jsem cítil, že by byl schopen vyřešit jeden problém, aniž by vytvořil řadu dalších problémů. To bylo pravděpodobně dost dobré, abychom se dostali do určitého bodu. Nakonec, ačkoli, pokud budete hrát soutěže, musíte mít řadu skutečně specifických znalostí o hře. Když jsme se přiblížili k bodu, kdy bychom skutečně hráli proti mistru světa, přivedli jsme grand masters-zejména Joela Benjamina -, aby nám pomohli.

jak velmistři pomohli zvýšit hru Deep Blue?
byly dvě části, Jak pomohli. Jedním z nich bylo zejména pomoci s Otevírací knihovnou, kterou každý šachový program používá, aby ušetřil čas a zajistil, že se dostane do rozumných pozic. Lidé studovali šachové otvory po staletí a vyvinuli si vlastní oblíbené . Velmistři nám pomohli vybrat spoustu těch, které naprogramujeme do Deep Blue.

byli také, dalo by se říci, sparring partneři pro Deep Blue. Hráli by proti počítači a snažili se určit slabiny systému. A pak jsme seděli s nimi a se zbytkem týmu Deep Blue a snažili se formulovat, co to vlastně bylo za slabost a jestli existuje způsob, jak to řešit. Někdy, vzhledem k omezením, která jsme měli-programovali jsme část pokynů počítače přímo na kus hardwaru zvaný Chess accelerator chip, místo psaní softwaru – byly některé problémy, které jsme nemohli snadno opravit. Ale často existoval nějaký způsob, jak bychom mohli zlepšit jeho schopnost vypořádat se s problémem, který jsme identifikovali.

Jak se Deep Blue rozhodlo, které kroky se mají udělat?
Deep Blue byl hybrid. Měl univerzální superpočítačové procesory kombinované s těmito čipy šachového akcelerátoru. Měli jsme software, který běžel na superpočítač provádět součástí šachové výpočty a pak ruce pryč složitější části přesunout do urychlovače, který by pak vypočítat . Superpočítač by tyto hodnoty vzal a nakonec se rozhodl, jakou cestou se vydat.

jak Deep Blue postupovali v letech 1996 až 1997, aby porazili Kasparova?
udělali jsme pár věcí. Více či méně jsme zdvojnásobili rychlost systému vytvořením nové generace hardwaru. A pak jsme zvýšili šachové znalosti systému přidáním funkcí do šachového čipu, které mu umožnily rozpoznat různé pozice a lépe si uvědomily šachové koncepty. Tyto čipy by pak mohly prohledávat strom možností, jak zjistit nejlepší pohyb v pozici. Součástí zlepšení mezi ’96 a‘ 97 je, že jsme zjistili více vzorů v šachové pozici a mohli jsme na ně dát hodnoty, a proto přesněji vyhodnotit šachové pozice. Verze Deep Blue z roku 1997 hledala mezi 100 miliony a 200 miliony pozic za sekundu, v závislosti na typu pozice. Systém by mohl hledat do hloubky mezi šesti a osmi páry tahů—jeden bílý, jeden černý—maximálně 20 nebo i více párů v některých situacích. Přesto jsme si byli jisti, že Deep Blue z roku 1997 je mnohem lepší než verze z roku 1996, podle mého názoru byl nejpravděpodobnějším výsledkem zápasu remíza. I když jsem šel do posledního zápasu, čekal jsem remízu a pravděpodobnou odvetu.

proč IBM nevyhověla Kasparovově žádosti o odvetu po soutěži 1997?
cítili jsme, že jsme dosáhli svého cíle, ukázat, že počítač může porazit mistra světa v šachu v zápase a že je čas přejít k dalším důležitým oblastem výzkumu.

Jak se AI změnila během dvou desetiletí od tohoto zápasu?
stroje se samozřejmě zlepšily v rychlosti zpracování a paměti a tak dále. Lidé také začali shromažďovat—stejně jako součást svého podnikání-mnohem více dat, která poskytovala krmivo pro algoritmy strojového učení dne. Nakonec jsme si začali uvědomovat, že kombinace všech těchto věcí může přinést některé pozoruhodné výsledky. Systém IBM Watson, který hrál Jeopardy! používá stroj-learning na bázi systému, který se hodně údajů, které existovaly ve světě—věci, jako je Wikipedie a tak dále—a používá, že údaje se dozvíte, jak odpovědět na otázky o skutečném světě. Od té doby jsme se naučili, jak provádět určité druhy percepčních úkolů, jako je rozpoznávání řeči a strojové vidění. To vedlo k tomu, že Watson vykonával více obchodních úkolů, jako je analýza radiologických obrazů a sdílení těchto informací s lékaři.

jak vaše zkušenosti s prací na Deep Blue pomohly ovlivnit vaši práci na AI do budoucna?
zejména jsme se dozvěděli, že existuje více než jeden způsob, jak se podívat na složitý problém. Například v šachu je lidský způsob, který je velmi pattern recognition–based a intuice-založené, a pak je stroj způsob, který je velmi intenzivní hledání a vypadá přes miliony nebo miliardy možností. Tyto přístupy se často doplňují. To je určitě pravda v šachu, ale také v mnoha reálných problémech – že počítače a lidé společně jsou lepší než jeden sám. Nechtěli bychom, například, počítače převzít diagnostiku a léčbu pacientů samy o sobě, protože existuje mnoho nehmotných aktiv v diagnostice pacienta, že je těžké zachytit v datech. Ale pokud jde o doporučení týkající se možnosti, aby zvážila—možná ty, které jsou z velmi nedávné technické dokumenty nebo klinických hodnocení, možná, že lékař není vědom—systém, jako to může být velmi cenné.

důležitou součástí toho, co děláme teď, je při velmi pokročilé umělé neuronové sítě založené na systémech, které mají tendenci být velmi černá skříňka—nejsou nijak zvlášť dobří ve vysvětlování, proč doporučují to, co doporučují—a dávat jim možnost vyjádřit se. Jak můžete opravdu věřit doporučení vycházejícímu ze systému, pokud to nedokáže vysvětlit? Tyto neuronové síťové systémy černé skříňky jsou nesmírně složité, s miliony parametrů v nich. Součástí překonání, které může být v duchu školení systému tím, že příklady dobré vysvětlení. To je zvláště zřejmé v prostoru zdravotní péče, když počítač provede diagnózu nebo doporučuje léčbu. Pokud existuje rozumné vysvětlení, pak bychom mu pravděpodobně mohli vhodněji dát váhu, kterou si zaslouží, aby pomohl lékaři učinit konečné rozhodnutí.