Húsz évvel ezelőtt az IBM Deep Blue számítógép megdöbbentette a világot azáltal, hogy az első gép, hogy megverte a címvédő sakk világbajnok egy hat-játék a mérkőzés. A szuperszámítógép sikere egy hitetlenkedő Garry Kaszparov ellen vitát váltott ki arról, hogy egy gépnek sikerült felülmúlnia egy nagymestert, és Kasparov és mások vádjait arra ösztönözte, hogy a vállalat becsapta a győzelemhez vezető utat. A valóság az, hogy mi történt a hónapok, évek során vezető, hogy sorsdöntő mérkőzés 1997 Májusában, azonban valójában inkább evolúció, mint forradalmi—egy Rocky Balboa–mint emelkedik tele van szellemi edző mérkőzések, fáradságos fejlődés, egy vereség Philadelphiában, hogy végül a színpad egy diadalmas visszavágót.

A számítógépes tudósok évtizedek óta úgy tekintették a sakkot, mint egy méteres botot a mesterséges intelligencia számára. Sakk-játék számológépek alakult ki az 1970-es években, de lenne még egy évtized előtt egy csapat, a Carnegie Mellon Egyetem végzős hallgatók épült az első számítógép—úgynevezett Mély Gondolat—, hogy legyőzzük a grand master egy átlagos meccsen. Ez a siker rövid életű volt—még ugyanebben az évben, 1989-ben Kaszparov a két játékban ügyesen verte a Deep Thought-ot. Az IBM eléggé lenyűgözte a C. M. U. csapat technológiáját, hogy a kutatóit a Deep Blue—Deep Thought utódjának korai verziójának kidolgozására vigye. A Deep Blue csapat 1996-ban ismét elvesztette Kaszparovot egy philadelphiai versenyen, de hatból egy játékot sikerült megnyernie a világbajnok ellen.

Ez a látszólag kicsi győzelem “nagyon fontos volt számunkra, hogy megmutassuk, hogy jó úton haladunk” – mondja a Deep Blue AI szakértő, Murray Campbell, aki jelenleg az AI Foundations group kiváló kutatója az IBM T. J. Watson Kutatóközpont kognitív számítástechnikai szervezetében. “Az 1997-es utolsó mérkőzésünk idején elegendő fejlesztést végeztünk a rendszerben a tapasztalataink alapján, hogy képesek voltunk nyerni.”A Scientific American Campbell-lel arról beszélt, hogy a számítógépes tudósok régóta megszállottak a sakkban, hogyan tudta az IBM megfordítani az uralkodó sakk bajnok asztalát és az AI előtt álló kihívásokat.

hogyan vett részt először a Deep Blue projektben?
a Carnegie Mellon Egyetem végzős hallgatóinak egy csoportjába tartoztam, amelyet az IBM közelített meg. Régóta érdeklődtem a számítógépes sakk iránt, sőt egyetemi hallgatóként sakkprogramot is írtam. A C. M. U.-Ban. A mesterséges intelligencián dolgoztam általánosabban, és nem éppen egy nagy teljesítményű sakkszámítógép építésén, ami egy világbajnok ellen játszhat. De mellékprojektként sokan kifejlesztettük azt a gépet, amely Deep Thought néven vált ismertté, amely az első olyan program lett, amely legyőzte a nagymestert, egy profi szintű játékos egy versenyen.

az IBM észrevette a sikert, hogy ezt a gépet cipőfűző költségvetésre építettük, és úgy gondolta, érdekes lenne, ha egy csoportunk csatlakozna az IBM Research-hez, hogy fejlessze a gép következő generációját, a Deep Blue-t. Azt akarták tudni, hogy van-e valami különleges a világ legjobb sakkjátékosaiban, ami túlmutat azon, amire a számítógépek képesek a belátható jövőben. Az volt az érzésünk, hogy néhány éven belül megtörténik, bár más kutatók úgy gondolták, hogy még mindig évtizedek vannak.

mi a helyzet a sakkkal, ami különösen érdekes problémát jelent egy számítógépes tudós számára?
több száz millió ember szerte a világon sakkozni. Olyan játéknak nevezik, amely stratégiát, előrelátást, logikát igényel—mindenféle tulajdonság, amely az emberi intelligenciát alkotja. Tehát érdemes a sakkot mérő botként használni a mesterséges intelligencia fejlesztéséhez.

amikor egy olyan játékot nézünk, mint a sakk, azt mondjuk: “Nos, igen, természetesen a számítógépek jól működnek, mert ez egy jól meghatározott játék—a szabályok, A lépések, a célok.”Ez egy korlátozott probléma, ahol ismeri az összes információt. Mindezek ellenére elmondható, hogy a sakk rendkívül összetett játék, és ezért is kellett 50 évnyi fejlesztésnek ahhoz, hogy végre legyőzhessük a világbajnokot.

mi volt a szerepe kifejezetten a Deep Blue csapatban?
én voltam az AI szakértője. Az AI egészen más volt 1989-ben és 1990 elején. Ezekben a napokban a domináns rész az volt, amit most jó régimódi AI-nek vagy szimbolikus AI-nek hívtunk, amely kevésbé a gépi tanuláson alapult. Természetesen a gépi tanulás akkoriban komoly terület volt, de semmi sem hasonlítható ahhoz, ami ma van, ahol hatalmas adathalmazok, nagy számítógépek és nagyon fejlett algoritmusok vannak az adatok átlapolására, és olyan modellekkel állnak elő, amelyek elképesztő dolgokat tehetnek. Amikor az IBM-mel kezdtem, a játékprogramok gépi tanulási módszerei meglehetősen primitívek voltak, és nem tudtak sokat segíteni a Deep Blue építésében. Algoritmusokon dolgoztunk a lehetséges folytatások hatékony keresésére és értékelésére, amelyekre tudtuk, hogy a Deep Blue-nak szüksége lesz a versenyhez.

mi volt az AI legjelentősebb korlátozása akkoriban?
a hardver nem igazán támogatta a nagy hálózatok felépítését, amelyek ma hasznosnak bizonyultak a nagy adatmodellek készítésében. És maga az adat nem feltétlenül volt ott olyan mértékben, amennyire szükségünk volt rá. Ha visszamegy és megnézi a 20-25 évvel ezelőtti legnépszerűbb számítógépes rendszereket, megdöbbenve veszi tudomásul, hogy egy ilyen rendszeren bármit meg lehet csinálni. De természetesen igen—nem tudtuk, hogy mi hiányzik, azt hiszem, mert még soha nem tapasztaltuk meg.

ami az adatokat illeti, nem hiszem, hogy bárkinek világos elképzelése volt akkoriban, hogy nagy előny volt. Nem fizetett volna egy igazán nagy adatkészlet felépítéséért, mert részben a feldolgozási teljesítmény egyébként nem lett volna elég ahhoz, hogy használhassa. Tehát sokkal kisebb adatkészletekkel foglalkoztunk.

mennyire volt hasznos a saját sakk szakértelme a Deep Blue építésében?
nem olyan hasznos, mint gondolnád. A korai szakaszban képes voltam azonosítani a rendszerrel kapcsolatos problémákat, és olyan megközelítéseket javasolni, amelyek úgy éreztem, hogy képesek lennének megoldani egy problémát anélkül, hogy számos más problémát okoznék. Ez valószínűleg elég jó volt ahhoz, hogy elérjünk egy bizonyos pontot. Végül is, bár, ha versenyeket fogsz játszani, van egy sor igazán játékspecifikus tudás, amire szükséged van. Amikor közelebb kerültünk ahhoz a ponthoz, ahol valójában egy világbajnok ellen játszottunk, a nagymestereket—különösen Joel Benjamint—hoztuk, hogy segítsenek nekünk.

hogyan segítették a nagymesterek a Deep Blue játékát?
két részből állt, hogy hogyan segítettek. Az egyik, különösen az volt, hogy segítsen a nyitó könyvtár, amely minden Sakk programot használ annak érdekében, hogy időt takaríthat meg, és győződjön meg arról, hogy bejut ésszerű pozíciókat. Az emberek évszázadok óta tanulmányozzák a sakk nyílásokat, és kifejlesztették saját kedvencüket . A nagymesterek segítettek kiválasztani egy csomó ilyen programot a Deep Blue-ba.

ők is voltak, mondhatni, sparring partnerek Deep Blue. A számítógép ellen játszanának, és megpróbálnák pontosan meghatározni a rendszer gyengeségeit. Aztán leültünk velük és a mélykék csapat többi tagjával, és megpróbáltuk megfogalmazni, hogy mi is volt ez a gyengeség, és hogy van-e mód a megoldásra. Néha, tekintettel a korlátainkra-a számítógép utasításainak egy részét közvetlenül egy Sakk-gyorsító chipnek nevezett hardverre programoztuk, nem pedig szoftver írására-voltak olyan problémák, amelyeket nem tudtunk könnyen kijavítani. De gyakran volt valamilyen módon lehetne javítani a képességét, hogy kezelni a problémát már azonosított.

hogyan döntötte el a Deep Blue, hogy mely lépéseket kell tennie?
A Deep Blue hibrid volt. Általános célú szuperszámítógép processzorai voltak ezekkel a sakk-gyorsító chipekkel kombinálva. Volt olyan szoftverünk, amely a szuperszámítógépen futott, hogy elvégezze a sakkszámítás egy részét, majd átadja a lépés összetettebb részeit a gyorsítónak, amely ezután kiszámítja . A szuperszámítógép bevenné ezeket az értékeket, és végül eldöntené, hogy milyen útvonalat válasszon.

hogyan haladt előre a Deep Blue 1996-tól 1997-ig, hogy legyőzze Kaszparovot?
csináltunk pár dolgot. Többé-kevésbé megdupláztuk a rendszer sebességét egy új generációs hardver létrehozásával. Ezután növeltük a rendszer sakktudását azáltal, hogy olyan funkciókat adtunk hozzá a sakk chiphez, amelyek lehetővé tették a különböző pozíciók felismerését, és tudatosabbá tették a sakkfogalmakat. Ezek a chipek ezután keresni egy fa lehetőségeket, hogy kitaláljuk, a legjobb lépés a helyzetben. A ’96 és ’97 közötti javulás része, hogy több mintát észleltünk egy sakkpozícióban, és értékeket tudtunk rájuk helyezni, ezért pontosabban értékeltük a sakkpozíciókat. A Deep Blue 1997-es verziója másodpercenként 100-200 millió pozíciót keresett, a pozíció típusától függően. A rendszer hat—nyolc pár lépés-egy fehér, egy fekete-mélységig kereshet, bizonyos helyzetekben legfeljebb 20 vagy még több párra. Bár biztosak voltunk benne, hogy az 1997-es Deep Blue sokkal jobb volt, mint az 1996-os verzió, véleményem szerint a mérkőzés legvalószínűbb eredménye Döntetlen volt. A mérkőzés utolsó meccsén is döntetlenre és valószínű visszavágóra számítottam.

miért nem adta meg az IBM Kaszparovnak az 1997-es verseny után a visszavágóra vonatkozó kérését?
úgy éreztük, elértük a célunkat, hogy megmutassuk, egy számítógép képes legyőzni a sakk világbajnokot egy mérkőzésen, és itt az ideje, hogy továbblépjünk más fontos kutatási területekre.

hogyan változott az AI a mérkőzés óta eltelt két évtizedben?
természetesen a gépek javultak a feldolgozási sebességben, a memóriában stb. Az emberek—éppen üzleti tevékenységük részeként—sokkal több adatot gyűjtöttek, amelyek takarmányt szolgáltattak a nap gépi tanulási algoritmusainak. Végül elkezdtük felismerni, hogy ezek a dolgok egyesítése figyelemre méltó eredményeket hozhat. Az IBM Watson rendszer, amely a Jeopardy-t játszotta! olyan gépi tanulási alapú rendszert használt, amely sok adatot vett igénybe, amelyek a világon léteztek—például a Wikipédiát stb. -, és ezeket az adatokat arra használta, hogy megtanulja, hogyan válaszoljon a való világgal kapcsolatos kérdésekre. Azóta továbbléptünk, hogy megtanuljuk, hogyan kell bizonyos típusú észlelési feladatokat elvégezni, mint például a beszédfelismerés és a gépi látás. Ez ahhoz vezetett, hogy Watson több üzleti tevékenységet végzett, mint például a radiológiai képek elemzése és ezen információk megosztása az orvosokkal.

hogyan befolyásolta a Deep Blue-on végzett tapasztalata az AI előrehaladásával kapcsolatos munkáját?
egy dolog különösen azt tanultuk, hogy van több, mint egy módja annak, hogy nézd meg a komplex probléma. Például a sakkban ott van az emberi út, ami nagyon mintafelismerő és intuíció-alapú, aztán ott van a gépi út, ami nagyon keresőképes, és több millió vagy milliárd lehetőséget néz át. Gyakran ezek a megközelítések kiegészítik egymást. Ez egyértelműen igaz a sakkban, de számos valós problémában is—hogy a számítógépek és az emberek együtt jobbak, mint egyedül. Nem szeretnénk például, ha a számítógépek maguk vennék át a betegek diagnózisát és kezelését, mert nagyon sok olyan betegség van a diagnózisban, amelyet nehéz rögzíteni az adatokban. De az ajánlások megfogalmazása a megfontolandó lehetőségekről—talán azok, amelyek a legfrissebb műszaki dokumentumokból vagy klinikai vizsgálatokból származnak, amelyekről talán az orvos nem ismeri-egy ilyen rendszer nagyon értékes lehet.

fontos része, amit csinálunk most vesz nagyon fejlett mesterséges neurális hálózati alapú rendszerek, amelyek általában nagyon fekete doboz-ezek nem különösebben jó elmagyarázza, hogy miért ajánlanak, amit ajánlanak—, és így nekik a képesség, hogy magyarázzák magukat. Hogyan lehet igazán bízni egy ajánlást jön ki a rendszer, ha nem tudja megmagyarázni? Ezek a fekete doboz neurális hálózati rendszerek rendkívül összetettek, több millió paraméterrel. Része leküzdése, hogy lehet mentén képzési rendszer azáltal, hogy példákat jó magyarázatok. Ez különösen nyilvánvaló az egészségügyi térben, amikor egy számítógép diagnózist készít vagy kezelést javasol. Ha van ésszerű magyarázat, akkor valószínűleg megfelelőbben adhatjuk meg azt a súlyt, amelyet megérdemel, hogy segítsen az orvosnak végleges döntést hozni.