이십 년 전 IBM 의 깊고 푸른 컴퓨터가 세상을 깜짝 놀라게 되고 기계 beat 세계 체스 챔피언에서 여섯 일치합니다. 슈퍼 컴퓨터의 성공에 대한 믿지리 카스파로프 논쟁을 촉발 방법을 통해 기계가 관리하게 이 그랜드 마스터하고 격려하는 비난—에 의해 카스파로프 및 다른 사람들—는 회사가 속에 그것의 방법을 승리입니다. 현실의 일어난 일년 선도하는 운명의 일치에서 1997 년,그러나 실제로 더 진화하는 보다 혁신적인—바보 같은 상승으로 가득 지적 치고,경기 힘든 진행과는 패배 필라델피아에서는 궁극적으로 단계를 설정한 승리의 시합.

컴퓨터 과학자들은 수십 년 동안 체스를 인공 지능을위한 미터 스틱으로 보았습니다. 체스-재생산에 등장 1970 년대 후반 하지만 그것이 다른 것은 십 년 전에 팀 카네기 멜론 대학의 대학원 학생들이 내장 된 최초의 컴퓨터라고 깊은 생각을 그랜드 마스터에는 정규회 게임입니다. 이 성공은 단명했다-나중에 같은 해,1989,카스파로프는 두 경기에서 솜씨 깊은 생각을 이겼다. IBM 감명을 받 C.M.U. 팀의 기술을 가지고 그것의 연구원은 온보드 개발 초기 버전의 깊고 푸른 깊이 생각하자. 깊고 푸른 팀은 다시 위 카스파로프 1996 년에는 대회에서 필라델피아에서만 관리를 승리하는 게임의 육에 대한 세계 챔피언이다.

는 보이는 작은 승리는”우리에게 매우 중요하다는 것을 보여 우리가 바른 길에 있었다,”라고 깊고 푸른 AI 전문가의 머레이 Campbell,지금 저명한 연구에서 직원 AI 기초를 그룹 내에서 IBM T.J.Watson Research Center 의 인지 컴퓨팅 조직입니다. “1997 년 최종 경기가 끝날 무렵,우리는 우리가 이길 수 있었던 경험을 바탕으로 시스템을 충분히 개선했습니다.”과학적인 미국인 말로는 캠벨에 대한 컴퓨터 과학자들은’긴 집착으로,어떻게 IBM 수 있었에 테이블을 설정하는 일등 체스 챔피언에 도전하는 거짓말을 앞두고 AI.

어떻게 딥 블루 프로젝트에 처음 참여 했습니까?
저는 IBM 이 접근 한 카네기 멜론 대학(Carnegie Mellon University)의 대학원생 그룹의 일원이었습니다. 나는 컴퓨터 체스에 오랫동안 관심을 가지고 있었고 심지어 학부생으로서 체스 프로그램을 작성했습니다. C.M.U. 에서 내가 일하던 인공 지능에 더 일반적으로 정확히 건물에서 높은 성과 체스는 컴퓨터를 재생할 수 있습니다. 하지만 부작용으로 프로젝트에 우리의 번호를 개발했는 기계에 알려지게되었으로 깊은 생각하는 첫 번째 프로그램를 격파하는 그랜드 마스터,전문적인 수준의 선수는 토너먼트에서.

IBM 발견한 성공을 우리는 건물이 기계 신발끈에 예산이 될 것이라고 생각 재미있는 우리의 그룹에 가입하 IBM 연구 개발의 다음 세대 이 컴퓨터라고 깊은 파란색이다. 그들은 알고 싶어하는 경우에 대한 특별한 무언가가 매우 좋 체스 선수에서 세계를 넘어 무엇을 컴퓨터의 가능한 가까운 미래에 증가할 것입니다. 우리의 느낌이었다 그것은 몇 년 이내에 수행되지만,다른 연구팀은 생각 그것은 여전히 수십 년 동안습니다.

컴퓨터 과학자에게 특히 흥미로운 문제를 만드는 체스는 무엇입니까?
전 세계 수억 명의 사람들이 체스를합니다. 그것은 전략,예지력,논리—인간의 지능을 구성하는 모든 종류의 자질을 필요로하는 게임으로 알려져 있습니다. 그래서 인공 지능의 개발을위한 측정 스틱으로 체스를 사용하는 것이 합리적입니다.

볼 때 우리는 같은 게임 체스,우리는 말,”아,네,물론 컴퓨터는 잘 할 때문에 그것이 잘 정의된 게임—규칙,이동,목표입니다.”그리고 그것은 당신이 모든 정보를 알고있는 제약적인 문제입니다. 여전히,에도 불구하고 모든 사람들의 단순화할 수 있습 말 체스는 엄청나게 복잡한 게임을,그리고 왜 그것을 우리를 데려 갔으로,분야,50 년의 개발을 마지막으로 세계 챔피언이다.

Deep Blue 팀에서 특별히 당신의 역할은 무엇 이었습니까?
저는 인공지능 전문가였습니다. 인공 지능은 1989 년과 1990 년 초에 상당히 달랐습니다. 그 당시의 지배적 인 부분은 우리가 지금 기계 학습에 덜 기반을 둔 좋은 구식 AI 또는 상징적 인 AI 라고 불렀던 것입니다. 확실히 기계학습이었 심각한 분야에서 그 일이 아니라도 그것이 무엇인지,오늘날 우리는 다량의 데이터 세트와 큰 컴퓨터와 아주 고급 알고리즘을 이탈하는 데이터를 통해 가지고 올 모델 할 수 있는 몇 가지 놀라운 것들입니다. IBM 으로 시작했을 때 게임 플레이 프로그램을위한 기계 학습 방법은 상당히 원시적이었고 딥 블루를 구축하는 데 많은 도움을 줄 수 없었습니다. 우리는 딥 블루가 경쟁하기 위해 필요로 할 것이라는 것을 알았던 가능한 연속의 효율적인 검색 및 평가를위한 알고리즘을 연구했습니다.

당시 AI 에서 가장 중요한 한계는 무엇 이었습니까?
하드웨어 정말 못한 지원 건물은 종류의 큰 네트워크가 있는 검증된 유용한 오늘날에 큰 데이터 모델입니다. 그리고 그 시점에서 우리가 필요로했던 정도까지 데이터 자체가 반드시 존재하지는 않았습니다. 모든 시간은 당신이 돌아가서 가장 인기 있는 컴퓨터 시스템에서 20 25 년 전에 당신이에 충격을 줄 수 있는 방법 무엇이든 얻을 수행 시스템에서 다음과 같다. 하지만 물론 우리가 우리가 모르는 우리가 누락되었,내 생각하기 때문에,우리는 경험한 적은 없었습니다.

데이터만큼,나는 그 당시에는 아무도 큰 이익이 있다는 명확한 생각을 가지고 있다고 생각하지 않는다. 그것은 없을 지불을 구축하는 정말 큰 데이기 때문에 설정 부분에 처리하는 힘이 되지 않았을 사용하기에 충분한것입니다. 그래서 우리는 훨씬 작은 데이터 세트로 만들었습니다.

Deep Blue 를 구축하는 데 자신의 체스 전문 지식이 얼마나 유용 했습니까?
생각만큼 유용하지는 않습니다. 할 수 있었을,초기 단계에서 문제를 식별한 시스템 접근 방식을 제안을 느꼈다는 것이 해결할 수 있는 하나의 문제를 만들지 않고 다른 문제의 호스트. 그것은 아마도 우리를 특정 시점에 도달시키기에 충분했을 것입니다. 결국 하지만,당신이 될 것 재생 대회이트의 게임을-특정 지식을 해야 합니다. 우리가 있어 가까운 곳에 우리는 것이 실제로 연주에 대한 세계 챔피언이 우리는 가서 그랜드 마스터스—엘 벤자민,특히 우리를 도와줍니다.

그랜드 마스터스는 딥 블루의 게임을 높이는 데 어떻게 도움이 되었습니까?
그들이 어떻게 도왔는지에 두 부분이있었습니다. 중 하나,특히,데 도움이되었으로 열리는 장기 프로그램에서 사용하기 위해 시간을 절약하고 있는지 확인 그것을 얻으로 합리적인 위치. 인간은 수세기 동안 체스 오프닝을 연구 해 왔으며 자신이 좋아하는 것을 개발했습니다. 그랜드 마스터스는 우리가 딥 블루로 프로그램하는 사람들의 무리를 선택하는 데 도움이.

그들은 또한 딥 블루를위한 스파링 파트너라고 말할 수 있습니다. 그들은 컴퓨터에 대 한 재생 하 고 시도 하 고 시스템의 약점을 정확 하 게 것 이다. 그리고 우리는 앉아서 그들과의 나머지 부분과 깊고 푸른 팀과도 명확하게 어떤 약점이었고 실제로는 경우에는 방법이 있었습니다. 때때로,주어진 제한했—우리는 프로그래밍 컴퓨터의 지침에 직접 하드웨어라는 체스 가속기 칩 쓰기 보다는 오히려 소프트웨어—거기에 몇 가지 문제가 있었 우리는 쉽지 않다는다. 그러나 종종 우리가 확인한 문제를 다루는 능력을 향상시킬 수있는 방법이있었습니다.

딥 블루는 어떤 움직임을 만들 것인지 어떻게 결정 했습니까?
딥 블루는 하이브리드였습니다. 그것은이 체스 가속기 칩과 결합 된 범용 슈퍼 컴퓨터 프로세서를 가지고있었습니다. 리하는 소프트웨어에서 실행 슈퍼컴퓨터를 수행하는 부분의 체스 계산과 다음으로 더 복잡한 부품의 이동을 가속하는 것 다음 계산합니다. 슈퍼 컴퓨터는 그 가치를 취하고 결국 어떤 경로를 택할지를 결정할 것입니다.

카스파로프를 이기기 위해 deep Blue 는 1996 년부터 1997 년까지 어떻게 전진 했습니까?
우리는 몇 가지 일을했습니다. 우리는 더 많거나 적은 하드웨어의 새로운 세대를 만들어 시스템의 속도를 두 배로. 그리고 우리는 증가 장기 시스템의 지식 기능을 추가하여 체스 칩 사용이 그것을 인식하는 다른 위치에 만들어 그것을 더 잘 알고 체스의 개념이 있습니다. 그 칩은 다음 위치에서 최고의 움직임을 파악하기 위해 가능성의 나무를 통해 검색 할 수 있습니다. 일부의 개선을 사’96 고’97 은 우리가 감지 이상의 패턴을 체스에 위치하고 넣을 수 있는 값에 따라서 평가 체스 위치를 더 정확합니다. 1997 년 버전의 딥 블루는 위치 유형에 따라 초당 1 억~2 억 개의 위치를 검색했습니다. 시스템을 검색하여 깊이의 여섯 사이의 이동—한 화이트나 블랙을 최대 20 개 또는 더 많은 쌍 경우가 있습니다. 그래도 1997 년 딥 블루가 1996 년 버전보다 훨씬 나아 졌다고 확신하는 동안,내 마음 속에서 경기의 가장 가능성있는 결과는 무승부였습니다. 경기의 마지막 경기에 들어가더라도,나는 무승부를 기대하고 있었고,재대 결 가능성이 있었다.

왜 IBM 은 1997 년 경쟁 이후 카스파로프의 재대 결 요청을 부여하지 않았습니까?
우리는 느낌 우리의 목표 달성을 입증하는 컴퓨터를 물리 칠 수있는 세계에 체스 챔피언 경기에서는 시간이었다로 이동하는 다른 중요한 연구 영역입니다.

그 경기 이후 20 년 동안 AI 가 어떻게 바뀌 었습니까?
물론 기계는 처리 속도와 메모리 등이 향상되었습니다. 사람들은 수집 시작했—단지의 일부로 그들의 비즈니스 더 많은 데이터를 제공하는 사료를 위한 기계 학습 알고리즘의 날입니다. 결국 우리는이 모든 것들을 결합하면 몇 가지 놀라운 결과를 얻을 수 있다는 것을 깨닫기 시작했습니다. Jeopardy 를 연기 한 IBM Watson 시스템! 사용한 기계 학습 기반 시스템입했다 많은 데이터가 존재하는—세계에서 같은 것들을 위키백과 및 그 사용되는 데이터를하는 방법에 대한 질문에 대답합니다. 그 이후로 우리는 이동을 수행하는 방법을 배우는 특정 종류의 지각 같은 작업을 음성 인식과 기계의 비전입니다. 을 주도하 Watson 수행하는 더 많은 비즈니스 관련 작업을 분석과 같은 방사선의 이미지 및 정보를 공유하는 것으로 의사이다.

Deep Blue 에서 작업 한 경험이 앞으로 AI 에 대한 작업에 어떤 영향을 미쳤습니까?
특히 우리가 배운 한 가지는 복잡한 문제를 보는 방법이 하나 이상 있다는 것입니다. 예를 들어,체스에 있는 인간적인 방법으로는 매우 패턴 인식 기반과 직관을 기반으로 하며,다음의 기계 방법,매우 검색을 집중하고 보을 통해 수백만 또는 수십억의 가능성이 있다. 종종 이러한 접근법은 보완 적입니다. 는 진정한 체스에서뿐만 실제 많은 세계의 문제는 컴퓨터와 인간을 함께 보다 더 중 하나 혼자입니다. 우리가 원하지 않을 것,예를 들어,컴퓨터하는 진단 및 치료 환자의하여 자신이 많이 있기 때문에 무형 자산의 진단에서 환자는 단단해 캡처에는 데이터입니다. 하지만 측면에서의 권장사항에 대한 옵션을 고려—아마도 그는 매우는 최근 기술 문서 또는 임상 시험 어쩌면 의사는지 인식하는 시스템이 다음과 같이 될 수 있는 매우 중요합니다.

의 중요한 부분이 무엇을 우리는 지금은 매우 진보된 인공 신경 네트워크 기반의 시스템는 경향이 매우 블랙자—그들은하지 않습에 특히 좋아하는 이유를 설명하는 그들이 추천하는 그들이 추천하고 그들을 주는 기능을 설명한다. 그것을 설명 할 수 없다면 어떻게 시스템에서 나오는 추천을 정말로 신뢰할 수 있습니까? 이러한 블랙 박스 신경망 시스템은 엄청나게 복잡하며 수백만 개의 매개 변수가 있습니다. 그 극복의 일부는 좋은 설명의 예를 제공하여 시스템을 훈련의 라인을 따라 할 수있다. 이것은 컴퓨터가 진단을 내리거나 치료를 권장 할 때 건강 관리 공간에서 특히 분명합니다. 이 있는 경우 합리적인 설명을,그 다음에는 아마도 더 적절하게 그것에 무게를 도와 의사를 최종 결정이다.