阿爾法狗火了,但別忘了深藍!20年前它已打敗人類象棋冠軍

很多人在關注柯潔對戰AlphaGo時，或許都會聯想到20年前的Kasparov對戰「深藍（Deep Blue）」，當時的那場世紀之戰大概比現在更加轟動，因為正是「深藍」開創了正式比賽中機器戰勝人類象棋冠軍的先河。

儘管很多人質疑「深藍」戰勝Kasparov並非全憑下棋謀略，而是摻入了一些作弊手段，但不可否認的是，經過費城慘敗後它確實進步飛快。那徵服西洋棋之後，IBM的AI技術團隊又有了哪些發展呢？下面我們來看看Scientific American上一篇對IBM「深藍」團隊主創Murray Campbell的專訪，原文：20 Years after Deep Blue: How AI Has Advanced Since Conquering Chess。

二十年前，IBM開發的「深藍」計算機經過六場比賽，成為世界上首個擊敗世界象棋冠軍的機器，這一新聞當時可謂震驚了全世界。很多人和Kasparov一樣，質疑超級計算機以謀略戰勝頂尖棋手的可靠性，甚至引發了社會輿論對IBM涉嫌利用作弊手段贏得人機大賽勝利的指控。然而，接下來的幾個月和幾年裡呈現在大眾面前的事實證明，1997年5月的那場大戰確非常具有顛覆性，堪比一場激烈的拳王爭霸賽，不過，顯然這場比賽充滿智慧的火花碰撞。以前經歷的艱難進步和費城大戰的慘敗，最終都為後來的絕地逆襲打下了基礎。

數十年來，計算機科學家都把西洋棋作為AI進步的標杆。早在上世紀70年代後期，下西洋棋的計算機就已經出現，不過，直到十年後的1989年，卡內基梅隆大學的研究生團隊才開發出了第一臺象棋計算機「深思（Deep Thought）」，並在後來的一場常規賽中擊敗一位頂尖象棋選手。但是這此成功壽命不長，同年晚些時候，Kasparov再次以2比0的成績輕鬆擊敗「深思」。IBM對C.M.U.團隊的這項技術留下了深刻印象，以至於後來還組織其研究人員繼「深思」之後又開發出了初代「深藍」計算機。「深藍」研發團隊後來在1996年費城舉辦的一次人機對戰中以1比6再次輸給了Kasparov，不過，令他們欣慰的是，至少還是贏了世界冠軍一局。

Murray Campbell如今是IBM的T. J. Watson研究中心認知計算組裡AI基礎技術團隊中非常傑出的研究人員，他表示，這局看似毫不起眼的勝利卻「是對證明我們的研發方向正確的重要肯定」，1997年人機大戰最後一場比賽，我們也根據之前獲勝的經驗改進了計算機系統。接受《科學美國人》的採訪時，Campbell談到了計算機科學家長期以來對計算機下象棋的痴迷，還有IBM是如何成功應對AI技術面臨的挑戰並扭轉戰局，擊敗西洋棋冠軍的。

【以下是經過編輯的訪談記錄。】

Q：你當初是怎麼加入「深藍」研發項目的呢？

我是IBM當時接觸的卡內基梅隆大學研究生團隊中的一員。很早之前我就對計算機象棋非常感興趣，本科期間還寫過一個西洋棋程序。在C.M.U.期間，我對人工智慧有了更廣泛地了解，並不僅限於製作出足以打敗世界象棋冠軍的高性能象棋計算機。雖然它只是一個編外項目，但我們還是在上面分配了許多研究人員（包括Feng-hsiung Hsu和Thomas Anantharaman），隨後研發出了一臺名為「深思」的計算機，它還成了首個在象棋賽事中打敗象棋大師和專業棋士的電腦程式。

IBM注意到了我們團隊用於研發這個機器的預算十分緊張，也認為讓我們加入IBM研究中心研發下一代象棋計算機「深藍」一定會非常有意思。他們還很想知道，不久的將來，那些頂尖西洋棋選手是否還能打敗象棋計算機。雖然當時其他研究人員認為打敗人類還需幾十年，我們卻覺得幾年內就能成為現實。

Q：對計算機科學家來說，象棋讓他們如此感興趣的地方在哪？

全世界下象棋的人過億。它是人類智慧的結晶，玩這種遊戲需要有一定的策略、遠見和邏輯等。因此，象棋對于衡量人工智慧發展程度具有重要意義。

看著象棋這類遊戲，我們一般會說，「當然，電腦確實下象棋很厲害，因為它的遊戲規則、動作以及目標都界定明確。」這是一個你了解所有信息的約束性問題。然而，儘管簡化了很多，西洋棋仍然是一個極其複雜的遊戲，這也是為什麼我們要花50年的時間才最終打敗世界象棋冠軍的原因。

Q：你在「深藍」團隊擔任什麼工作呢？

我是團隊的AI專家。1990年前期的AI和1989年的AI大不一樣。我們現在一般稱那段時期很小一部分基於機器學習的AI為老式AI，或象徵性AI。當然，機器學習在當時還是一個很嚴肅的領域，但是現在就不一樣了。

現在我們擁有大量的數據集和大型計算機，還有非常先進的算法來研究數據，創建一些驚人的新事物的模型。我剛進入IBM時，用於遊戲項目的機器學習方法還相當原始，對我們研發設計「深藍」沒有太大幫助。我們致力於研究提高搜索效率和可持續評估的算法，因為我們知道，要想在比賽中佔據競爭優勢，「深藍」必須擁有這種算法。

Q：當時AI最大的限制是什麼？

硬體對構建大型網絡並沒有真正的幫助。而且，數據本身並不一定要達到我們需要的程度。只要你回顧一下20或25年前最流行的計算機系統，你就會對當時如何在這樣一個系統上完成指令感到震驚。不過，大概還是因為我們沒有經歷過，我想我們還不知道自己到底錯過了什麼。

至於數據，我覺得當時應該沒人會知道它以後用處這麼大，也不會想到要花錢建立大數據集，其中部分原因大概是運行能力還不足。所以，我們只建了很小的數據集。

Q：你的象棋專長在「深藍」研發工作中發揮了多大作用？

其實這個專長並沒有你想像的那麼有用。早期，我還能夠識別出系統存在的問題，還能提出我認為可以解決某個問題且不引發一系列其他問題的方法。這點對於我們的研發達到某種程度已經很夠用了。不過，如果是要打比賽，那就還有很多真正的遊戲專業知識需要掌握。與世界冠軍對決時，我們還把Joel Benjamin這些象棋大師都找來幫助我們了。

Q：這些象棋大師如何幫助「深藍」提高比賽水平呢？

他們有兩個主要的作用。一是協助建立開局資料庫，把每一種象棋程序都應用起來，從而節省時間，並確保這些程序應用在合理位置上。幾個世紀以來，人類一直在研究西洋棋的開局，並發展出了自己喜歡的【棋步】。這些大師正幫我們選出了很多種編寫進「深藍」程序中的棋步。

這些大師也可以充當「深藍」的陪練。他們與計算機下棋的同時也嘗試著發現系統缺陷。隨後，他們會與研發團隊的其他成員共同討論缺陷所在並找出解決方法。

有時考慮到我們的條件所限——我們將部分計算機指令直接編進西洋棋加速器晶片，而不是自己編寫軟體——有一些問題並不能輕易解決。但通常我們還是能提高機器處理現有問題的效率。

Q：「深藍」如何決定棋步？

「深藍」採用混合決策。它把通用超級計算機處理器與象棋加速器晶片相結合。在超級計算機上運行的軟體只執行部分象棋運算，更複雜的棋步則由加速器處理，然後開始計算對手可能走出的棋步和結果。超級計算機就是根據這些來決定最終的棋步。

Q：為了擊敗Kasparov，1996到1997年期間，「深藍」做了哪些改進？

我們做出了好幾項改進。通過開發新一代硬體，我們差不多將運算速度提升到原先的兩倍。我們還通過改善象棋晶片充實了系統內部的象棋知識，使它能夠識別不同的棋局，同時對象棋的概念有更好理解。在不同棋局走勢中，這些晶片可以從眾多可能性中走出最佳棋步。同時，這幾年我們還發現一個棋局中可以有很多種模式，我們分別給它們賦值，從而對局勢進行更準確的評估。

1997版本的「深藍」每秒檢索1億到2億個棋局，具體數目取決於棋局的類型。有時，系統一次能夠計算出6到8種棋步，最多可達20種甚至更多。不過，儘管我們自認為97版「深藍」比96版改善了很多，但我覺得最終的比賽結果可能還是平局。即便是到了比賽的最後一局，我仍在期待來場平局，或者之後有可能再次交手。

Q：為什麼經過1997年的那次比賽後，IBM不同意Kasparov再戰的請求？

因為我們覺得已經達到了最初的目標——證明計算機可以在比賽中擊敗世界象棋冠軍，現在是時候轉到其他重要的研究領域了。

Q：迄今為止，那場比賽已經過去20年了，這20年裡AI有什麼變化呢？

當然有了，機器在運行速度和內存等方面都有所改進。人們開始收集更多的數據，從而為機器學習算法提供練習數據。最終我們發現，將他們結合起來可以產生很多絕妙的結果。參加電視競答節目的IBM「沃森（Watson）」通過機器學習吸收了全球海量數據——包括維基百科——並利用這些數據答出了很多現實問題。從那之後，我們還開始學習如何處理感知任務，如語音識別和機器視覺。「沃森」也可以執行越來越多的商業任務，如分析放射影像並與醫師交流信息。

Q：研發「深藍」項目的這段經歷對你們之後在AI領域的工作有何影響？

我們學到了很多經驗，其中之一就是多種角度看待覆雜問題。舉個例子，在西洋棋中，人類的下棋方式通常是基於模式識別和直覺，而機器則是通過密集檢索數百萬乃至數十億的可能性。這些方法其實彼此互補。

西洋棋中如此，許多現實世界中的問題同樣如此，電腦和人腦的結合都要勝過其中任何一方。例如，我們肯定不希望計算機全權接管病患的診斷和治療，因為病情診斷涉及大量無法數據化的信息，但是在提供診療建議上，計算機系統還是非常有用的。

我們現在採用的是先進的基於人工神經網絡的系統——有點像黑箱——它們並不怎麼擅長解釋自己為何要給出某項建議。但是如果它自己都解釋不清原因，又讓人們怎麼相信這個系統的建議呢？況且，未知的神經網絡系統擁有百萬參數，極其複雜。

不過，處理部分問題還是可以照著給出的優秀範例來訓練系統，這在醫療保健領域，計算機進行診斷或給出治療建議時尤為明顯。如果能給出合理解釋的話，我想我們開發出來的機器在醫生診斷時或許會有更大的發言權。

（本文由36氪編譯組授權發布，未經許可不得轉載。文/郝鵬程）