二十年前、IBMのDeep Blueコンピュータは、六試合の試合で君臨する世界のチェスチャンピオンを破った最初のマシンになることによって、世界を驚かせた。 ガーリー・カスパロフに対するスーパーコンピュータの成功は、マシンがどのようにしてグランドマスターを打ち負かすことができたかについての論争を引き起こし、カスパロフらによる会社が勝利への道をだましたという告発を扇動した。 しかし、1997年の運命的な試合に至るまでの数ヶ月と数年で起こったことの現実は、知的なスパーリングマッチ、骨の折れる進歩、フィラデルフィアでの敗北で満たされた岩のバルボアのような上昇であり、最終的には凱旋的な再戦の舞台を設定した。

コンピュータ科学者は、数十年のために人工知能のためのメータースティックとしてチェスを見ていました。 チェスをする電卓は1970年代後半に登場しましたが、カーネギーメロン大学の大学院生のチームが最初のコンピュータを構築する前に、それは別の十年にな この成功は短命だった-その同じ年の後、1989年、カスパロフは二つのゲームで手近に深い思考を破った。 IBMはC.M.U.チームの技術に十分感銘を受け、研究者をDeep Blue—Deep Thoughtの後継者の初期バージョンを開発するために搭載しました。 1996年にはフィラデルフィアで開催されたトーナメントで再びカスパロフに敗れたが、ワールドチャンピオンとの6試合中1試合を勝ち抜いた。

その一見小さな勝利は、”私たちが正しい軌道に乗っていることを示すために私たちにとって非常に重要でした”と、Ibm T.J.Watson Research Centerのコグニティブ-コンピューティングオレンジ内のAI Foundationsグループの著名な研究スタッフであるDeep Blue AIの専門家Murray Campbellは述べています。 “1997年の決勝戦の時までに、私たちは勝つことができた経験に基づいてシステムを十分に改善しました。”サイエンティフィック-アメリカンは、コンピュータ科学者のチェスに対する長い強迫観念、IBMが君臨するチェスチャンピオンとAIのために先にある課題

最初にDeep Blueプロジェクトに参加したのはどのような経緯ですか？

私はIBMが接近したカーネギーメロン大学の大学院生のグループの一員でした。 私はコンピュータチェスに長い関心を持っていたし、学部としてチェスプログラムを書いていた。 C.M.U.で 私はより一般的に人工知能に取り組んでいましたが、世界チャンピオンと対戦できる高性能チェスコンピュータを構築することではありませんでした。 しかし、サイドプロジェクトとして、私たちの数は、グランドマスター、トーナメントでプロレベルの選手を倒すための最初のプログラムとなった深い思

IBMは、私たちがわずかな予算でこのマシンを構築していた成功に気づき、私たちのグループがIbm Researchに参加してディープブルーと呼ばれるこのマシンの次世代を開発することは興味深いだろうと考えました。 彼らは、コンピュータが近い将来のために可能であったものを超えていた世界で非常に最高のチェスプレーヤーについて特別な何かがあったかどうか 私たちの気持ちは、それが行われてから数年以内であったということでしたが、他の研究者はそれがまだ数十年離れていると思っていました。

コンピュータ科学者にとって特に興味深い問題を作るチェスについては何ですか？
世界中の何百万人もの人々がチェスをしています。 人間の知性を構成する資質のすべての種類—それは戦略、先見の明、ロジックを必要とするゲームとして知られています。 だから、人工知能の開発のための測定棒としてチェスを使用することは理にかなっています。

チェスのようなゲームを見ると、”ルール、動き、目標など、明確に定義されたゲームなので、コンピュータはうまくいきます。”そして、それはあなたがすべての情報を知っている制約された問題です。 それでも、すべてのそれらの単純化にもかかわらず、あなたはチェスが非常に複雑なゲームであると言うことができる、それは最終的に世界チャンピオンを

Deep Blueチームでのあなたの役割は何でしたか？

あなたの役割は何ですか？
私はAIの専門家だった AIは1989年と1990年初頭にはかなり異なっていました。 当時の支配的な部分は、機械学習にあまり基づいていなかった古き良きAI、または象徴的なAIと呼ばれるものでした。 確かに機械学習は当時は深刻な分野でしたが、今日のようなものはありませんでした。 私がIBMを使い始めたとき、ゲームプログラムのための機械学習方法はかなり原始的であり、深い青色を構築するのにあまり役立ちませんでした。 私たちは、Deep Blueが競争するために必要であることを知っていた、可能な継続の効率的な検索と評価のためのアルゴリズムに取り組んでいました。

当時、AIの最も重要な制限は何でしたか？
このハードウェアは、今日のビッグデータモデルの作成に有用であることが証明されている大規模なネットワークの構築を実際にサポートしていません そして、データ自体は、その時点でそれを必要とする程度までは必ずしもそこにはありませんでした。 あなたが戻って、20または25年前から最も人気のあるコンピュータシステムを見ていつでも、あなたはそのようなシステム上で何かを得ることがで しかし、もちろん、私たちはしました—私たちはそれを経験したことがなかったので、私たちが欠けていたものを知りませんでした。データに関しては、私は誰もが大きな利点があったことを当時明確な考えを持っていたとは思わない。 処理能力がとにかくそれを使用するのに十分ではなかったため、本当に大きなデータセットを構築するために支払ったことはありませんでした。 だから、私たちははるかに小さなデータセットでやりました。深い青を構築する上であなた自身のチェスの専門知識はどのように有用でしたか？

思ったほど役に立たない 私は、初期の段階で、システムの問題を特定し、他の問題のホストを作成することなく、一つの問題を修正することができると感じたアプローチを提案す それはおそらく、特定のポイントに私たちを取得するのに十分だった。 最終的には、しかし、あなたが競技をするつもりなら、あなたが持っている必要がある本当にゲーム固有の知識のホストがあります。 私たちが実際に世界チャンピオンと対戦するポイントに近づいたとき、私たちはグランドマスターズ、特にジョエル—ベンジャミンを連れてきました。

グランドマスターズはどのようにディープブルーのゲームを上げるのに役立ちましたか？
彼らがどのように助けたかには二つの部分がありました。 一つは、特に、すべてのチェスプログラムは、時間を節約し、それが合理的な位置に入ることを確認するために使用する開口部のライブラリを、支援す 人間は何世紀にもわたってチェスの開口部を研究し、自分のお気に入りを開発してきました。 グランドマスターズは、私たちが深い青にプログラムするためにそれらの束を選ぶのを助けました。

彼らはまた、あなたが言うことができる、深い青のためのスパーリングパートナーでした。 彼らはコンピュータと対戦し、システムの弱点を特定しようとします。 そして、私たちは彼らとディープブルーチームの残りの部分と一緒に座って、その弱点が実際に何であるか、それに対処する方法があるかどうかを明確に 時には、私たちが持っていた制限を考えると—私たちは、ソフトウェアを書くのではなく、チェスアクセラレータチップと呼ばれるハードウェアの一部に直接 しかし、多くの場合、私たちが特定した問題に対処する能力を向上させる方法がありました。

ディープブルーはどのようにしてどの動きをするかを決めましたか？
ディープブルーはハイブリッドだった。 これらのチェスアクセラレータチップと組み合わせた汎用スーパーコンピュータプロセッサを持っていた。 私たちはスーパーコンピュータで実行してチェスの計算の一部を実行し、より複雑な部分をアクセラレータに渡し、計算するソフトウェアを持っていました。 スーパーコンピュータはこれらの値を取り、最終的にどのルートを取るかを決定します。

カスパロフを倒すために、ディープブルーは1996年から1997年にかけてどのように進歩しましたか？
私たちはいくつかのことをしました。 私たちは、多かれ少なかれ、ハードウェアの新世代を作成することにより、システムの速度を倍増しました。 そして、我々はそれが異なる位置を認識することを可能にし、チェスの概念をより認識させたチェスチップに機能を追加することにより、システムのチェスの知識を増加させました。 これらのチップは、位置で最高の動きを把握するために可能性のツリーを検索することができます。 96年から97年の間の改善の一部は、チェスの位置でより多くのパターンを検出し、それらに値を置くことができるため、チェスの位置をより正確に評価 ディープブルーの1997バージョンは、位置の種類に応じて、毎秒100万から200万の位置の間で検索しました。 このシステムは、6対から8対の動き（白1対、黒1対）の深さまで、いくつかの状況では最大20対、またはそれ以上のペアまで検索することができます。 それでも、1997年のディープブルーは1996年のバージョンよりもはるかに優れていると確信していましたが、私の心の中で最も可能性の高い結果は引き分けでした。 試合の最後の試合に入っても、引き分けと再戦を期待していました。

なぜIBMは1997年の競争の後にカスパロフの再戦の要求を認めなかったのですか？
我々は、コンピュータが試合で世界チェスチャンピオンを倒すことができることを実証するために、我々の目標を達成したと感じ、それは他の重要な研究その試合から20年の間にAIはどのように変わったのでしょうか？

もちろん、マシンは処理速度やメモリなどが向上しています。 人々はまた、ビジネスの一環として、その日の機械学習アルゴリズムの飼料を提供するより多くのデータを収集し始めました。 最終的には、これらすべてのものを組み合わせることで驚くべき結果が得られることに気付き始めました。 危険を果たしたIBMワトソンシステム！ 機械学習ベースのシステムを使用して、世界に存在する多くのデータ（Wikipediaなど）を取り、そのデータを使用して現実世界に関する質問に答える方法を学びました。 それ以来、私たちは、音声認識やマシンビジョンのような特定の種類の知覚的なタスクを行う方法を学ぶために移動しました。 これにより、Watsonは放射線画像を分析し、その情報を医師と共有するなど、より多くのビジネス関連のタスクを実行しています。

Deep Blueでの作業経験は、今後のAIでの作業にどのような影響を与えましたか？
特に私たちが学んだことの一つは、複雑な問題を見る方法が複数あるということです。 例えばチェスには人間のやり方がありますパターン認識に基づいて直感に基づいています機械のやり方があります非常に検索集約的で何百万もの可能性を調べています 多くの場合、これらのアプローチは補完的です。 それはチェスだけでなく、多くの現実世界の問題でも間違いなく真実です-コンピュータと人間は一緒にどちらか一人よりも優れています。 例えば、コンピュータが患者の診断や治療を自分で引き継ぐことは望ましくありません。 しかし、考慮すべき選択肢についての勧告を行うという点では、おそらく医師が認識していない非常に最近の技術論文や臨床試験からのものであ

私たちが今やっていることの重要な部分は、非常にブラックボックスになる傾向がある非常に高度な人工ニューラルネットワークベースのシステム それを説明できない場合、システムから出てくる勧告を本当に信頼するにはどうすればよいですか？ これらのブラックボックスニューラルネットワークシステムは非常に複雑で、何百万ものパラメータが含まれています。 それを克服することの一部は、良い説明の例を与えることによってシステムを訓練する線に沿っているかもしれません。 これはコンピュータが診断をするか、または処置を推薦するときヘルスケアスペースで特に明らかである。 合理的な説明があれば、医師が最終的な決定を下すのを助けるのに値する体重をおそらくより適切に与えることができます。