há Vinte anos atrás, o Deep Blue da IBM computador surpreendeu o mundo ao se tornar a primeira máquina para bater um campeão campeão mundial de xadrez em um seis jogo de correspondência. O sucesso do supercomputador contra um incrédulo Garry Kasparov provocou controvérsia sobre como uma máquina tinha conseguido superar um grande mestre, e incitou acusações—por Kasparov e outros—de que a empresa tinha enganado seu caminho para a vitória. A realidade do que aconteceu nos meses e anos que antecederam aquele fatídico jogo em maio de 1997, no entanto, foi realmente mais evolucionária do que revolucionária—uma ascensão rochosa Balboa–cheia de lutas intelectuais, progresso meticuloso e uma derrota na Filadélfia que, em última análise, definir o palco para uma revanche triunfante.durante décadas, cientistas da Computação viram o xadrez como um medidor para a inteligência artificial. Calculadoras de xadrez surgiram no final da década de 1970, mas seria mais uma década antes de uma equipe de estudantes graduados da Universidade Carnegie Mellon construir o primeiro computador—chamado pensamento profundo—a vencer um grande mestre em um jogo de Torneio regular. Este sucesso foi de curta duração-mais tarde no mesmo ano, 1989, Kasparov bateu o pensamento profundo rapidamente nos dois jogos. A IBM ficou impressionada o suficiente com a tecnologia da equipe do C. M. U. para trazer seus pesquisadores a bordo para desenvolver uma versão inicial do sucessor do Deep Blue—Deep Thought. A equipe Deep Blue perdeu novamente para Kasparov em 1996 em um torneio na Filadélfia, mas conseguiu ganhar um jogo de seis contra o campeão mundial.

que aparentemente uma pequena vitória “foi muito importante para nós para mostrar que estávamos no caminho certo”, diz Murray Campbell, especialista em Inteligência Artificial Deep Blue, agora um distinto membro da equipe de pesquisa no grupo de bases de IA dentro da organização de Computação Cognitiva do IBM T. J. Watson Research Center. “Na época do nosso jogo final em 1997, tínhamos feito melhorias suficientes no sistema com base em nossa experiência que fomos capazes de vencer. Scientific American falou com Campbell sobre a longa obsessão dos cientistas da computação com o xadrez, como a IBM foi capaz de virar a mesa sobre o campeão de xadrez reinante e os desafios que estão à frente para AI.como se envolveu pela primeira vez no projecto Deep Blue?
I was part of a group of graduate students at Carnegie Mellon University that IBM approached. Eu tinha um longo interesse em xadrez de computador e tinha até escrito UM programa de xadrez como estudante. Na C. M. U. Estava a trabalhar na inteligência artificial de uma forma mais geral e não na construção de um computador de xadrez de alto desempenho que pudesse jogar contra um campeão do mundo. Mas como um projeto paralelo um número de nós desenvolveu a máquina que ficou conhecida como pensamento profundo, que se tornou o primeiro programa a derrotar um grande mestre, um jogador de nível profissional em um torneio.

IBM notou os sucessos que estávamos tendo a construção desta máquina em um orçamento de corte e pensou que seria interessante ter um grupo de nós se juntar à pesquisa IBM para desenvolver a próxima geração desta máquina, chamada Deep Blue. Eles queriam saber se havia algo especial sobre os melhores jogadores de Xadrez do mundo que estava além do que os computadores eram capazes para o futuro previsível. Nosso sentimento era que foi dentro de alguns anos de ser feito, embora outros pesquisadores pensaram que ainda estava décadas de distância.o que tem o xadrez que torna um problema especialmente interessante para um cientista da computação? centenas de milhões de pessoas ao redor do mundo jogam xadrez. É conhecido como um jogo que requer estratégia, visão, lógica—todos os tipos de qualidades que compõem a inteligência humana. Então faz sentido usar o xadrez como um bastão de medição para o desenvolvimento da inteligência artificial.

Quando olhamos para um jogo como o xadrez, dizemos: “Bem, sim, claro que os computadores fazem bem porque é um jogo bem definido-as regras, os movimentos, os objetivos.”E é um problema limitado onde você conhece toda a informação. Ainda assim, apesar de todas essas simplificações você poderia dizer que o xadrez é um jogo extremamente complexo, e é por isso que levou-nos, como um campo, 50 anos de desenvolvimento para finalmente vencer o campeão mundial.qual era o seu papel especificamente na equipa Deep Blue?
I was the AI expert. A ia era bastante diferente em 1989 e início de 1990. A parte dominante naqueles dias era o que agora chamamos de IA à moda antiga, ou IA simbólica, que era baseada menos na aprendizagem de máquinas. Certamente a aprendizagem de máquinas era um campo sério naqueles dias, mas nada como o que é hoje, onde temos conjuntos massivos de dados e grandes computadores e algoritmos muito avançados para produzir através dos dados e criar modelos que podem fazer algumas coisas incríveis. Quando comecei com a IBM, os métodos de aprendizagem de máquinas para programas de jogo eram bastante primitivos e não nos podiam ajudar muito na construção do Deep Blue. Trabalhamos em algoritmos para pesquisa e avaliação eficiente das possíveis continuações, que sabíamos que Deep Blue precisaria para competir.quais foram as limitações mais significativas na IA naquela época?
O hardware realmente não suportou a construção dos tipos de grandes redes que provaram ser úteis hoje em fazer grandes modelos de dados. E os dados em si não estavam necessariamente lá na medida em que precisávamos deles naquele momento. Cada vez que você volta e olha para os sistemas de computador mais populares de 20 ou 25 anos atrás você está chocado com como você poderia fazer qualquer coisa em um sistema como esse. Mas é claro, nós fizemos—nós não sabíamos o que estávamos perdendo, eu acho, porque nós nunca tínhamos experimentado isso.no que diz respeito aos dados, acho que ninguém teve uma ideia clara de que havia um grande benefício. Ele não teria pago para construir um conjunto de dados realmente grande, porque em parte o poder de processamento não teria sido suficiente para usá-lo de qualquer maneira. Então, nós nos contivemos com conjuntos de dados muito menores.quão útil foi a sua experiência em xadrez na construção do Deep Blue?
não é tão útil quanto você poderia pensar. Eu fui capaz de, nas fases iniciais, identificar problemas com o sistema e sugerir abordagens que eu senti que seria capaz de resolver um problema sem criar uma série de outros problemas. Deve ter sido bom o suficiente para chegarmos a um certo ponto. Eventualmente, no entanto, se você vai estar jogando competições há uma série de conhecimentos realmente específicos do jogo que você precisa ter. Quando nos aproximámos do ponto em que estaríamos a jogar contra um campeão mundial, trouxemos o grand masters—Joel Benjamin, em particular—para nos ajudar.como é que os grand masters ajudaram a aumentar o jogo da Deep Blue?havia duas partes de como eles ajudaram. Um, em particular, foi ajudar com a biblioteca de abertura, que cada programa de xadrez usa para economizar tempo e garantir que ele entra em posições razoáveis. Os humanos estudam aberturas de xadrez há séculos e desenvolvem o seu próprio favorito . Os grandes mestres nos ajudaram a escolher um monte deles para programar em Deep Blue.eles também eram, pode-se dizer, parceiros de treino para Deep Blue. Eles jogariam contra o computador e tentariam identificar fraquezas do sistema. E então nós nos sentávamos com eles e com o resto da equipe Deep Blue e tentávamos articular o que essa fraqueza realmente era e se havia uma maneira de lidar com isso. Às vezes, dadas as limitações que tínhamos—estávamos programando parte das instruções do computador diretamente em uma peça de hardware chamada um chip acelerador de xadrez ao invés de escrever software—havia alguns problemas que não podíamos resolver facilmente. Mas muitas vezes havia uma maneira de melhorar a sua capacidade de lidar com um problema que tínhamos identificado.como é que a Deep Blue decidiu quais os movimentos a fazer?Deep Blue era um híbrido. Ele tinha processadores supercomputadores de propósito geral combinados com esses chips de acelerador de xadrez. Tínhamos software que funcionava no supercomputador para realizar parte de uma computação de xadrez e depois entregar as partes mais complexas de uma mudança para o acelerador, que então calcularia . O supercomputador iria tomar esses valores e, eventualmente, decidir que rota tomar.como é que o Deep Blue avançou de 1996 a 1997 para derrotar o Kasparov?fizemos algumas coisas. Mais ou menos dobramos a velocidade do sistema criando uma nova geração de hardware. E então aumentamos o conhecimento do sistema de xadrez adicionando características ao chip de xadrez que lhe permitiram reconhecer diferentes posições e torná-lo mais consciente dos conceitos de xadrez. Esses chips poderiam então procurar através de uma árvore de possibilidades para descobrir o melhor movimento em uma posição. Parte da melhoria entre 1996 e 1997 é que detectamos mais padrões em uma posição de xadrez e podemos colocar valores sobre eles e, portanto, avaliar as posições de xadrez com mais precisão. A versão de 1997 da Deep Blue procurou entre 100 e 200 milhões de posições por segundo, dependendo do tipo de posição. O sistema poderia procurar a uma profundidade de entre seis e oito pares de movimentos—um branco, um preto—para um máximo de 20 ou até mais pares em algumas situações. Ainda assim, enquanto estávamos confiantes de que o Deep Blue de 1997 era muito melhor do que a versão de 1996, na minha opinião o resultado mais provável do jogo foi um empate. Mesmo indo para o jogo final do jogo, eu estava esperando um empate, e uma provável desforra.por que a IBM não deferiu o pedido de Kasparov para uma revanche após a competição de 1997?nós sentimos que tínhamos alcançado nosso objetivo, para demonstrar que um computador poderia derrotar o campeão mundial de xadrez em um jogo e que era hora de passar para outras áreas de pesquisa importantes.

Como a IA mudou ao longo das duas décadas desde esse jogo?
é claro, as máquinas melhoraram na velocidade de processamento e memória e assim por diante. As pessoas também começaram a reunir—apenas como parte de seu negócio-muito mais dados que forneciam alimento para os algoritmos de aprendizagem de máquinas do dia. Finalmente começamos a perceber que combinar todas essas coisas poderia produzir alguns resultados notáveis. O sistema IBM Watson que jogou Jeopardy! usou um sistema baseado no aprendizado de máquina que levou um monte de dados que existiam no mundo—coisas como Wikipedia e assim por diante—e usou esses dados para aprender a responder perguntas sobre o mundo real. Desde então, seguimos em frente para aprender a fazer certos tipos de Tarefas perceptivas, como reconhecimento de fala e visão de máquina. Isso levou Watson a realizar tarefas mais relacionadas ao negócio, como analisar imagens de Radiologia e compartilhar essa informação com os médicos.como é que a sua experiência a trabalhar em Deep Blue ajudou a influenciar o seu trabalho na ia a avançar?uma coisa em particular que aprendemos é que há mais de uma maneira de olhar para um problema complexo. Por exemplo, no xadrez há a maneira humana, que é muito baseada no reconhecimento de padrões e na intuição, e então há a maneira máquina, que é muito intensiva em busca e olha através de milhões ou bilhões de possibilidades. Muitas vezes, estas abordagens são complementares. Isso é definitivamente verdade no xadrez, mas também em muitos problemas do mundo real-que computadores e humanos juntos são melhores do que qualquer um sozinho. Nós não queremos, por exemplo, computadores para assumir o diagnóstico e tratamento de pacientes por si mesmos, porque há um monte de intangíveis no diagnóstico de um paciente que são difíceis de capturar nos dados. Mas em termos de fazer recomendações sobre opções a considerar-talvez aquelas que são de trabalhos técnicos muito recentes ou ensaios clínicos que talvez o médico não esteja ciente—um sistema como esse pode ser muito valioso.uma parte importante do que estamos fazendo agora é pegar sistemas artificiais de rede neural muito avançados que tendem a ser muito Caixa preta–eles não são particularmente bons em explicar por que eles estão recomendando o que eles estão recomendando—e dar—lhes a capacidade de se explicar. Como podes confiar numa recomendação que sai do sistema se não a consegue explicar? Estes sistemas de rede neural de caixa negra são extremamente complexos, com milhões de parâmetros neles. Parte da superação pode ser no sentido da formação de um sistema, dando-lhe exemplos de boas explicações. Isto é particularmente óbvio no espaço de cuidados de saúde quando um computador faz um diagnóstico ou recomenda um tratamento. Se houver uma explicação razoável, talvez possamos dar-lhe o peso que merece para ajudar um médico a tomar uma decisão final.