în urmă cu douăzeci de ani, computerul IBM Deep Blue a uimit lumea devenind prima mașină care a învins un campion mondial de șah în exercițiu într-un meci de șase jocuri. Succesul supercomputerului împotriva unui neîncrezător Garry Kasparov a stârnit controverse cu privire la modul în care o mașină a reușit să depășească un mare maestru și a incitat acuzații—de către Kasparov și alții—că compania și-a înșelat drumul spre victorie. Cu toate acestea, realitatea a ceea ce s—a întâmplat în lunile și anii care au dus la acel meci fatidic din mai 1997 a fost de fapt mai evoluționistă decât revoluționară–o ascensiune stâncoasă asemănătoare Balboa plină de meciuri intelectuale de sparring, progrese dureroase și o înfrângere în Philadelphia care a stabilit în cele din urmă scena pentru o revanșă triumfătoare.

informaticienii au privit timp de decenii șahul ca un băț de metru pentru inteligența artificială. Calculatoarele de joc de șah au apărut la sfârșitul anilor 1970, dar ar mai fi un deceniu înainte ca o echipă de studenți absolvenți ai Universității Carnegie Mellon să construiască primul computer—numit Deep Thought—pentru a învinge un mare maestru într-un joc obișnuit de turneu. Acest succes a fost de scurtă durată-mai târziu în același an, 1989, Kasparov a învins gândirea profundă în cele două jocuri. IBM a fost suficient de impresionat de tehnologia echipei C. M. U. pentru a—și aduce cercetătorii la bord pentru a dezvolta o versiune timpurie a succesorului Deep Blue-Deep Thought. Echipa Deep Blue a pierdut din nou în fața lui Kasparov în 1996 la un turneu din Philadelphia, dar a reușit să câștige un joc din șase împotriva campionului mondial.

această victorie aparent mică „a fost foarte importantă pentru noi pentru a arăta că suntem pe drumul cel bun”, spune Murray Campbell, expert în AI Deep Blue, acum un membru distins al personalului de cercetare din cadrul grupului AI Foundations din cadrul organizației Cognitive Computing a IBM T. J. Watson Research Center. „Până la ultimul nostru meci din 1997, am făcut suficiente îmbunătățiri sistemului pe baza experienței noastre pe care am reușit să le câștigăm.”Scientific American a vorbit cu Campbell despre obsesia îndelungată a Informaticienilor pentru șah, despre modul în care IBM a reușit să transforme mesele pe campionul de șah în exercițiu și despre provocările care urmează pentru AI.

cum te-ai implicat prima dată în proiectul Deep Blue?
am făcut parte dintr-un grup de studenți absolvenți de la Universitatea Carnegie Mellon pe care IBM l-a abordat. Am avut un interes lung în șah calculator și a scris chiar și un program de șah ca un student. La C. M. U. Lucram la inteligența artificială mai general și nu chiar la construirea unui computer de șah de înaltă performanță care să poată juca împotriva unui campion mondial. Dar, ca un proiect secundar, unii dintre noi au dezvoltat mașina care a devenit cunoscută sub numele de gândire profundă, care a devenit primul program care a învins un mare maestru, un jucător de nivel profesional într-un turneu.

IBM a observat succesele pe care le-am avut construind această mașină pe un buget redus și a crezut că ar fi interesant ca un grup de noi să se alăture IBM Research pentru a dezvolta următoarea generație a acestei mașini, numită Deep Blue. Ei au vrut să știe dacă există ceva special despre cei mai buni jucători de șah din lume, care era dincolo de ceea ce computerele erau capabile pentru viitorul previzibil. Sentimentul nostru a fost că a fost în câțiva ani de a fi făcut, deși alți cercetători au crezut că a fost încă zeci de ani distanță.

Ce este șahul care face o problemă deosebit de interesantă pentru un informatician? sute de milioane de oameni din întreaga lume joacă șah. Este cunoscut ca un joc care necesită strategie, previziune, logică—tot felul de calități care alcătuiesc inteligența umană. Deci, este logic să folosiți șahul ca un băț de măsurare pentru dezvoltarea inteligenței artificiale.

când ne uităm la un joc ca șahul, spunem: „Ei bine, da, desigur computerele fac bine pentru că este un joc bine definit-regulile, mișcările, obiectivele.”Și este o problemă constrânsă în care știi toate informațiile. Totuși, în ciuda tuturor acestor simplificări, ați putea spune că șahul este un joc extrem de complex și de aceea ne-a luat, ca domeniu, 50 de ani de dezvoltare pentru a învinge în cele din urmă campionul mondial.

care a fost rolul tău în special în echipa Deep Blue?
am fost expert în inteligență artificială. AI a fost destul de diferit în 1989 și începutul anului 1990. Partea dominantă în acele zile era ceea ce numim acum AI de modă veche, sau AI simbolică, care se baza mai puțin pe învățarea automată. Desigur, învățarea automată a fost un domeniu serios în acele zile, dar nimic asemănător cu ceea ce este astăzi, unde avem seturi masive de date și computere mari și algoritmi foarte avansați pentru a trece prin date și a veni cu modele care pot face unele lucruri uimitoare. Când am început cu IBM, metodele de învățare automată pentru programele de joc erau destul de primitive și nu ne puteau ajuta prea mult în construirea Deep Blue. Am lucrat la algoritmi pentru căutarea și evaluarea eficientă a posibilelor continuări, de care știam că Deep Blue va avea nevoie pentru a concura.

care au fost cele mai semnificative limitări ale ia atunci?
hardware-ul nu a acceptat cu adevărat construirea tipurilor de rețele mari care s-au dovedit utile astăzi în realizarea modelelor de date mari. Și datele în sine nu erau neapărat acolo în măsura în care aveam nevoie de ele în acel moment. De fiecare dată când te întorci și te uiți la cele mai populare sisteme informatice de acum 20 sau 25 de ani, ești șocat de cum ai putea face ceva pe un astfel de sistem. Dar, desigur, am făcut—nu știam ce ne lipsește, cred, pentru că nu am experimentat-o niciodată.în ceea ce privește datele, nu cred că cineva a avut o idee clară atunci că a existat un beneficiu mare. Nu ar fi plătit pentru a construi un set de date foarte mare, deoarece în parte puterea de procesare nu ar fi fost suficientă pentru a-l folosi oricum. Deci, ne-am descurcat cu seturi de date mult mai mici.

cât de utilă a fost propria dvs. expertiză în șah în construirea Deep Blue?
Nu la fel de util ca s-ar putea crede. Am reușit, în primele etape, să identific problemele cu sistemul și să sugerez abordări pe care le-am simțit capabile să remedieze o problemă fără a crea o serie de alte probleme. Asta a fost, probabil, suficient de bun pentru a ne ajunge la un anumit punct. În cele din urmă, totuși, dacă veți juca competiții, trebuie să aveți o serie de cunoștințe specifice jocului. Când ne—am apropiat de punctul în care ne—ar fi de fapt juca împotriva unui campion mondial am adus în Grand masters-Joel Benjamin, în special-pentru a ne ajuta.

cum au ajutat marii maeștri să ridice jocul lui Deep Blue?
au fost două părți la modul în care au ajutat. Unul, în special, a fost acela de a ajuta la deschiderea bibliotecii, pe care fiecare program de șah o folosește pentru a economisi timp și a vă asigura că ajunge în poziții rezonabile. Oamenii au studiat deschiderile de șah de secole și și-au dezvoltat propriul favorit . Marii maeștri ne-au ajutat să alegem o grămadă de astfel de programe în Deep Blue.

de asemenea, au fost, ai putea spune, parteneri de sparring pentru Deep Blue. Ei ar juca împotriva calculatorului și să încerce să identifice punctele slabe ale sistemului. Și apoi stăteam cu ei și cu restul echipei Deep Blue și încercam să articulăm care era de fapt acea slăbiciune și dacă exista o modalitate de a o aborda. Uneori, având în vedere limitările pe care le aveam—programam o parte din instrucțiunile computerului direct pe o bucată de hardware numită cip accelerator de șah, mai degrabă decât să scriem software—au existat unele probleme pe care nu le-am putut rezolva cu ușurință. Dar de multe ori a existat o modalitate prin care i-am putea îmbunătăți capacitatea de a face față unei probleme pe care am identificat-o.

cum a decis Deep Blue ce mișcări să facă?
Deep Blue a fost un hibrid. Avea procesoare de supercomputere de uz general combinate cu aceste cipuri de accelerator de șah. Am avut software care a rulat pe supercomputer pentru a efectua o parte a unui calcul de șah și apoi a preda părțile mai complexe ale unei mișcări către accelerator, care apoi ar calcula . Supercomputerul ar lua aceste valori și, în cele din urmă, ar decide ce cale să ia.

cum a avansat Deep Blue din 1996 până în 1997 pentru a-l învinge pe Kasparov?
am făcut câteva lucruri. Am dublat mai mult sau mai puțin viteza sistemului prin crearea unei noi generații de hardware. Și apoi am crescut cunoștințele de șah ale sistemului prin adăugarea de caracteristici la cipul de șah care i-au permis să recunoască diferite poziții și l-au făcut mai conștienți de conceptele de șah. Aceste jetoane ar putea căuta apoi printr-un copac de posibilități pentru a afla cea mai bună mișcare într-o poziție. O parte din îmbunătățirea dintre ’96 și ’97 este că am detectat mai multe modele într-o poziție de șah și am putea pune valori pe ele și, prin urmare, să evaluăm pozițiile de șah mai precis. Versiunea din 1997 A Deep Blue a căutat între 100 și 200 de milioane de poziții pe secundă, în funcție de tipul de poziție. Sistemul ar putea căuta la o adâncime cuprinsă între șase și opt perechi de mișcări—una albă, una neagră—până la maximum 20 sau chiar mai multe perechi în unele situații. Totuși, în timp ce eram încrezători că Deep Blue din 1997 a fost mult mai bun decât versiunea din 1996, în mintea mea cel mai probabil rezultat al meciului a fost o remiză. Chiar și în meciul final al meciului, mă așteptam la o remiză și la o revanșă probabilă.

de ce IBM nu a acordat cererea lui Kasparov pentru o revanșă după competiția din 1997?
am simțit că ne-am atins obiectivul, să demonstrăm că un computer ar putea învinge campionul mondial la șah într-un meci și că a venit timpul să trecem la alte domenii importante de cercetare.

cum s-a schimbat AI în cele două decenii de la acel meci?desigur, mașinile s-au îmbunătățit în viteza de procesare și memorie și așa mai departe. Oamenii au început, de asemenea, să adune—doar ca parte a afacerii lor—mult mai multe date care furnizau furaje pentru algoritmii de învățare automată ai zilei. În cele din urmă am început să realizăm că combinarea tuturor acestor lucruri ar putea produce unele rezultate remarcabile. Sistemul IBM Watson care a jucat Jeopardy! a folosit un sistem bazat pe învățare automată care a luat o mulțime de date care existau în lume-lucruri precum Wikipedia și așa mai departe-și a folosit aceste date pentru a învăța cum să răspundă la întrebări despre lumea reală. De atunci ne-am mutat pentru a învăța cum să facă anumite tipuri de sarcini perceptive, cum ar fi recunoașterea vorbirii și viziune mașină. Acest lucru l-a determinat pe Watson să îndeplinească mai multe sarcini legate de afaceri, cum ar fi analizarea imaginilor radiologice și partajarea acestor informații cu medicii.

cum a influențat experiența dvs. de lucru pe Deep Blue munca dvs. pe AI înainte?
un lucru pe care l-am învățat în special este că există mai multe moduri de a privi o problemă complexă. De exemplu, în șah există calea umană, care este foarte bazată pe recunoașterea tiparelor și pe intuiție, și apoi există calea mașinii, care este foarte intensivă în căutare și privește prin milioane sau miliarde de posibilități. Adesea, aceste abordări sunt complementare. Acest lucru este cu siguranță adevărat în șah, dar și în multe probleme din lumea reală-că computerele și oamenii împreună sunt mai buni decât unul singur. Nu am vrea, de exemplu, computerele să preia diagnosticul și tratamentul pacienților de la sine, deoarece există o mulțime de intangibile în diagnosticarea unui pacient care sunt greu de capturat în date. Dar în ceea ce privește a face recomandări cu privire la opțiunile de luat în considerare—poate cele care provin din lucrări tehnice foarte recente sau studii clinice de care poate medicul nu este conștient—un astfel de sistem poate fi foarte valoros.

o parte importantă a ceea ce facem acum este să luăm sisteme foarte avansate bazate pe rețele neuronale artificiale care tind să fie foarte negre–nu sunt deosebit de buni în a explica de ce recomandă ceea ce recomandă—și oferindu—le capacitatea de a se explica. Cum poți avea încredere într-adevăr o recomandare care iese din sistem dacă nu o poate explica? Aceste sisteme de rețele neuronale cu cutie neagră sunt extrem de complexe, cu milioane de parametri în ele. O parte din depășirea care poate fi de-a lungul liniilor de formare a unui sistem, oferindu-i exemple de explicații bune. Acest lucru este deosebit de evident în spațiul de îngrijire a sănătății atunci când un computer face un diagnostic sau recomandă un tratament. Dacă există o explicație rezonabilă, atunci am putea, probabil, să-i dăm mai bine greutatea pe care o merită pentru a ajuta un medic să ia o decizie finală.