dwadzieścia lat temu komputer IBM Deep Blue oszołomił świat, stając się pierwszą maszyną, która pokonała aktualnego mistrza świata w szachach w sześciu meczach. Sukces superkomputera przeciwko niedowierzanemu Garry ’ emu Kasparowowi wywołał kontrowersje na temat tego, jak maszyna zdołała przechytrzyć wielkiego mistrza, i podżegał do oskarżeń—przez Kasparowa i innych—że firma oszukała drogę do zwycięstwa. Rzeczywistość tego, co wydarzyło się w miesiącach i latach poprzedzających ten pamiętny mecz w maju 1997 roku, była jednak bardziej ewolucyjna niż rewolucyjna—Rocky Balboa–podobny wzrost pełen intelektualnych sparingów, żmudnych postępów i porażki w Filadelfii, które ostatecznie stworzyły scenę dla Triumfalnego rewanżu.

informatycy przez dziesięciolecia postrzegali szachy jako metr dla sztucznej inteligencji. Kalkulatory do gry w szachy pojawiły się pod koniec lat 70., ale minęłoby kolejne dziesięć lat, zanim zespół absolwentów Carnegie Mellon University zbudował pierwszy komputer—zwany Deep Thought—aby pokonać wielkiego mistrza w regularnej grze turniejowej. Sukces ten był krótkotrwały-jeszcze w tym samym roku, 1989, Kasparow pokonał Deep Thought w dwóch meczach. IBM był na tyle pod wrażeniem technologii zespołu C. M. U., że jego naukowcy mogli opracować wczesną wersję Deep Blue—następcy Deep Thought. Zespół Deep Blue ponownie przegrał z Kasparowem w 1996 roku na turnieju w Filadelfii, ale zdołał wygrać jeden mecz na sześć przeciwko mistrzowi świata.

to pozornie małe zwycięstwo „było dla nas bardzo ważne, aby pokazać, że jesteśmy na dobrej drodze”, mówi ekspert Deep Blue AI Murray Campbell, obecnie wybitny pracownik naukowy w grupie AI Foundations w organizacji IBM T. J. Watson Research Center Cognitive Computing. „Do czasu naszego meczu finałowego w 1997 roku wprowadziliśmy wystarczająco dużo ulepszeń w systemie, bazując na naszym doświadczeniu, że byliśmy w stanie wygrać.”Scientific American rozmawiał z Campbellem o długiej obsesji informatyków na punkcie szachów, o tym, w jaki sposób IBM było w stanie odwrócić uwagę od obecnego mistrza szachowego i o wyzwaniach, które stoją przed sztuczną inteligencją.

jak po raz pierwszy zaangażowałeś się w projekt Deep Blue?
należałem do grupy absolwentów Uniwersytetu Carnegie Mellon, do której zbliżył się IBM . Od dawna interesowałem się szachami komputerowymi, a nawet napisałem program szachowy jako licencjat. W C. M. U. Pracowałem nad sztuczną inteligencją bardziej ogólnie, a nie nad budową wydajnego komputera szachowego, który mógłby grać przeciwko mistrzowi świata. Ale jako projekt poboczny wielu z nas opracowało maszynę, która stała się znana jako Deep Thought, która stała się pierwszym programem, który pokonał wielkiego mistrza, profesjonalnego gracza w turnieju.

IBM zauważył sukcesy, które osiągnęliśmy budując tę maszynę przy niewielkim budżecie i pomyślał, że byłoby interesujące, gdyby grupa z nas dołączyła do IBM Research, aby opracować nową generację tej maszyny, zwaną Deep Blue. Chcieli wiedzieć, czy jest coś wyjątkowego w najlepszych szachistach na świecie, co przekracza możliwości komputerów w najbliższej przyszłości. Mieliśmy wrażenie, że zostało to zrobione w ciągu kilku lat, chociaż inni badacze uważali, że jest to jeszcze kilkadziesiąt lat.

co w szachach jest szczególnie interesującym problemem dla Informatyka?
setki milionów ludzi na całym świecie gra w szachy. Jest znana jako gra, która wymaga strategii, przewidywania, logiki-wszelkiego rodzaju cech, które składają się na ludzką inteligencję. Tak więc sensowne jest używanie szachów jako kija pomiarowego do rozwoju sztucznej inteligencji.

kiedy patrzymy na grę taką jak szachy, mówimy: „No tak, oczywiście Komputery radzą sobie dobrze, ponieważ jest to dobrze zdefiniowana gra-Zasady, ruchy, cele.”I jest to Ograniczony problem, w którym znasz wszystkie informacje. Mimo tych wszystkich uproszczeń można powiedzieć, że szachy są niezwykle złożoną grą i dlatego zajęło nam, jako polu, 50 lat rozwoju, aby w końcu pokonać mistrza świata.

jaka była twoja rola w zespole Deep Blue?
byłem ekspertem od sztucznej inteligencji. AI było zupełnie inne w 1989 i na początku 1990 roku. Dominującą częścią w tamtych czasach była tzw. stara, dobra sztuczna inteligencja (ang. good old-fashioned AI), czyli symboliczna sztuczna inteligencja, która opierała się w mniejszym stopniu na uczeniu maszynowym. Z pewnością uczenie maszynowe było poważną dziedziną w tamtych czasach, ale nie ma to jak dzisiaj, gdzie mamy ogromne zbiory danych, Duże Komputery i bardzo zaawansowane algorytmy, aby przechodzić przez Dane i wymyślać modele, które mogą zrobić niesamowite rzeczy. Kiedy zaczynałem pracę z IBM, metody uczenia maszynowego dla programów do gier były dość prymitywne i nie były w stanie nam wiele pomóc w budowaniu Deep Blue. Pracowaliśmy nad algorytmami do efektywnego wyszukiwania i oceny możliwych kontynuacji, które wiedzieliśmy, że Deep Blue będzie potrzebować, aby konkurować.

Jakie były wtedy największe ograniczenia sztucznej inteligencji?
sprzęt tak naprawdę nie wspierał budowy dużych sieci, które okazały się dziś przydatne w tworzeniu modeli big data. A same dane niekoniecznie były tam w takim stopniu, w jakim ich potrzebowaliśmy. Za każdym razem, kiedy oglądasz najpopularniejsze systemy komputerowe sprzed 20 czy 25 lat, jesteś zszokowany tym, jak można coś zrobić na takim systemie. Ale oczywiście-nie wiedzieliśmy, co nam umyka, bo nigdy tego nie doświadczyliśmy.

Jeśli chodzi o dane, to chyba nikt nie miał wtedy jasnego pojęcia, że jest duża korzyść. Nie opłaciłoby się zbudować naprawdę dużego zestawu danych, ponieważ po części moc obliczeniowa i tak nie wystarczyłaby, aby z niego korzystać. Tak więc, zrobiliśmy to ze znacznie mniejszymi zbiorami danych.

jak przydatna była twoja własna wiedza szachowa w budowaniu Deep Blue?
nie tak przydatne jak mogłoby się wydawać. Na wczesnym etapie udało mi się zidentyfikować problemy z systemem I zasugerować podejścia, które moim zdaniem byłyby w stanie rozwiązać jeden problem bez tworzenia wielu innych problemów. To było na tyle dobre, że dotarliśmy do pewnego punktu. W końcu jednak, jeśli masz zamiar grać w zawody, musisz mieć wiele naprawdę specyficznej wiedzy. Kiedy zbliżyliśmy się do punktu, w którym rzeczywiście będziemy grać przeciwko mistrzowi świata, sprowadziliśmy do pomocy wielkich mistrzów—w szczególności Joela Benjamina.

W Jaki Sposób arcymistrzowie pomogli podnieść grę Deep Blue?
były dwie części tego, jak pomogły. Jednym z nich była pomoc przy otwieraniu biblioteki, z której korzysta każdy program szachowy, aby zaoszczędzić czas i upewnić się, że znajdzie się na rozsądnych pozycjach. Ludzie studiowali szachowe otwory od wieków i opracowali własne ulubione . Wielcy mistrzowie pomogli nam wybrać kilka z nich do zaprogramowania w Deep Blue.

byli również, można powiedzieć, sparingpartnerami Deep Blue. Grali przeciwko komputerowi i próbowali wskazać słabe strony systemu. A potem siedzieliśmy z nimi i z resztą zespołu Deep Blue i próbowaliśmy wyrazić, czym jest ta słabość i czy istnieje sposób, aby ją rozwiązać. Czasami, biorąc pod uwagę ograniczenia, które mieliśmy-programowaliśmy część instrukcji komputera bezpośrednio na sprzęcie zwanym chipem akceleratora szachów, a nie pisaliśmy oprogramowania—były pewne problemy, których nie mogliśmy łatwo naprawić. Ale często był jakiś sposób, aby poprawić jego zdolność do radzenia sobie z problemem, który zidentyfikowaliśmy.

jak Deep Blue zdecydowało, które ruchy wykonać?
Deep Blue był hybrydą. Miał uniwersalne procesory superkomputerowe połączone z tymi chipami szachowego akceleratora. Mieliśmy oprogramowanie, które działało na superkomputerze, aby przeprowadzić część obliczeń szachowych, a następnie przekazać bardziej złożone części ruchu do akceleratora ,który następnie obliczał. Superkomputer przyjmował te wartości i ostatecznie decydował, jaką trasę obrać.

jak Deep Blue awansowało w latach 1996-1997, aby pokonać Kasparowa?
zrobiliśmy kilka rzeczy. Mniej więcej podwoiliśmy szybkość systemu, tworząc nową generację sprzętu. Następnie poszerzyliśmy szachową wiedzę na temat systemu, dodając do układu szachowego funkcje, które umożliwiły mu rozpoznawanie różnych pozycji i uczyniły go bardziej świadomym pojęć szachowych. Te żetony mogą następnie przeszukać drzewo możliwości, aby znaleźć najlepszy ruch na danej pozycji. Częścią poprawy między ’96 A ’97 jest to, że wykryliśmy więcej wzorców w szachowej pozycji i mogliśmy na nich umieścić wartości, a tym samym dokładniej ocenić pozycje szachowe. Wersja Deep Blue z 1997 roku przeszukiwała od 100 do 200 milionów pozycji na sekundę, w zależności od rodzaju pozycji. System mógł wyszukiwać do głębokości od sześciu do ośmiu par ruchów—jeden biały, jeden czarny – do maksymalnie 20 lub nawet więcej par w niektórych sytuacjach. Mimo, że byliśmy pewni, że Deep Blue z 1997 roku był znacznie lepszy od wersji z 1996 roku, moim zdaniem najbardziej prawdopodobnym wynikiem meczu był remis. Nawet wchodząc do finałowego meczu spodziewałem się remisu i prawdopodobnego rewanżu.

Dlaczego IBM nie spełniło prośby Kasparowa o rewanż po zawodach w 1997 roku?
czuliśmy, że osiągnęliśmy nasz cel, aby pokazać, że komputer może pokonać mistrza świata w szachach w meczu i że nadszedł czas, aby przejść do innych ważnych obszarów badawczych.

Jak zmieniła się sztuczna inteligencja w ciągu dwóch dekad od tamtego meczu?
oczywiście maszyny poprawiły szybkość przetwarzania, pamięć i tak dalej. Ludzie zaczęli również gromadzić – w ramach swojej działalności-dużo więcej danych, które stanowiły pożywkę dla dzisiejszych algorytmów uczenia maszynowego. W końcu zdaliśmy sobie sprawę, że połączenie tych wszystkich rzeczy może przynieść niezwykłe rezultaty. System IBM Watson, który grał w Jeopardy! używałem systemu opartego na uczeniu maszynowym, który pobierał wiele danych, które istniały na świecie – takich jak Wikipedia i tak dalej – i używał tych danych, aby nauczyć się odpowiadać na pytania dotyczące prawdziwego świata. Od tego czasu nauczyliśmy się, jak wykonywać pewne rodzaje zadań percepcyjnych, takich jak rozpoznawanie mowy i widzenie maszynowe. Doprowadziło to do tego, że Watson wykonuje więcej zadań związanych z biznesem, takich jak analiza obrazów radiologicznych i udostępnianie tych informacji lekarzom.

w jaki sposób twoje doświadczenie w pracy nad Deep Blue wpłynęło na Twoją pracę nad sztuczną inteligencją w przyszłości?
jedna rzecz w szczególności nauczyliśmy się, że istnieje więcej niż jeden sposób, aby spojrzeć na złożony problem. Na przykład, w szachach jest sposób ludzki, który opiera się na rozpoznawaniu wzorców i intuicji, i jest sposób maszynowy, który jest bardzo intensywny i przeszukuje miliony lub miliardy możliwości. Często podejścia te są komplementarne. To z pewnością prawda w szachach, ale także w wielu rzeczywistych problemach-że komputery i ludzie razem są lepsze niż każdy z nich sam. Nie chcielibyśmy na przykład, aby komputery same przejmowały diagnostykę i leczenie pacjentów, ponieważ w diagnozowaniu pacjenta jest wiele niematerialnych elementów, które trudno uchwycić w danych. Ale jeśli chodzi o zalecenia dotyczące opcji do rozważenia-być może tych, które pochodzą z bardzo niedawnych dokumentów technicznych lub badań klinicznych, o których lekarz może nie wiedzieć—taki system może być bardzo cenny.

ważną częścią tego, co teraz robimy, jest wykorzystanie bardzo zaawansowanych systemów opartych na sztucznej sieci neuronowej, które zwykle są bardzo czarne skrzynki—nie są szczególnie dobre w wyjaśnianiu, dlaczego zalecają to, co zalecają – i dając im możliwość wyjaśnienia siebie. Jak można naprawdę ufać rekomendacji wychodzącej z systemu, jeśli nie może tego wyjaśnić? Te systemy sieci neuronowych czarnej skrzynki są ogromnie złożone, z milionami parametrów w nich. Częścią pokonywania tego może być szkolenie systemu poprzez podanie mu przykładów dobrych wyjaśnień. Jest to szczególnie oczywiste w obszarze opieki zdrowotnej, gdy komputer stawia diagnozę lub zaleca leczenie. Jeśli istnieje rozsądne wyjaśnienie, wtedy prawdopodobnie moglibyśmy bardziej odpowiednio nadać mu wagę, na którą zasługuje, aby pomóc lekarzowi podjąć ostateczną decyzję.