“深蓝”专家访谈：征服国际象棋后的20年，AI 取得了哪些发展？

编者按：很多人在关注柯洁对战AlphaGo时，或许都会联想到20年前的Kasparov对战“深蓝（Deep Blue）”，当时的那场世纪之战大概比现在更加轰动，因为正是“深蓝”开创了正式比赛中机器战胜人类象棋冠军的先河。尽管很多人质疑“深蓝”战胜Kasparov并非全凭下棋谋略，而是掺入了一些作弊手段，但不可否认的是，经过费城惨败后它确实进步飞快。那征服国际象棋之后，IBM的AI技术团队又有了哪些发展呢？下面我们来看看Scientific American上一篇对IBM“深蓝”团队主创Murray Campbell的专访，原文：20 Years after Deep Blue: How AI Has Advanced Since Conquering Chess。

二十年前，IBM开发的“深蓝”计算机经过六场比赛，成为世界上首个击败世界象棋冠军的机器，这一新闻当时可谓震惊了全世界。很多人和Kasparov一样，质疑超级计算机以谋略战胜顶尖棋手的可靠性，甚至引发了社会舆论对IBM涉嫌利用作弊手段赢得人机大赛胜利的指控。然而，接下来的几个月和几年里呈现在大众面前的事实证明，1997年5月的那场大战确非常具有颠覆性，堪比一场激烈的拳王争霸赛，不过，显然这场比赛充满智慧的火花碰撞。以前经历的艰难进步和费城大战的惨败，最终都为后来的绝地逆袭打下了基础。

数十年来，计算机科学家都把国际象棋作为AI进步的标杆。早在上世纪70年代后期，下国际象棋的计算机就已经出现，不过，直到十年后的1989年，卡内基梅隆大学的研究生团队才开发出了第一台象棋计算机“深思（Deep Thought）”，并在后来的一场常规赛中击败一位顶尖象棋选手。但是这此成功寿命不长，同年晚些时候，Kasparov再次以2比0的成绩轻松击败“深思”。IBM对C.M.U.团队的这项技术留下了深刻印象，以至于后来还组织其研究人员继“深思”之后又开发出了初代“深蓝”计算机。“深蓝”研发团队后来在1996年费城举办的一次人机对战中以1比6再次输给了Kasparov，不过，令他们欣慰的是，至少还是赢了世界冠军一局。

Murray Campbell如今是IBM的T. J. Watson研究中心认知计算组里AI基础技术团队中非常杰出的研究人员，他表示，这局看似毫不起眼的胜利却“是对证明我们的研发方向正确的重要肯定”，1997年人机大战最后一场比赛，我们也根据之前获胜的经验改进了计算机系统。接受《科学美国人》的采访时，Campbell谈到了计算机科学家长期以来对计算机下象棋的痴迷，还有IBM是如何成功应对AI技术面临的挑战并扭转战局，击败国际象棋冠军的。

【以下是经过编辑的访谈记录。】

Q：你当初是怎么加入“深蓝”研发项目的呢？

我是IBM当时接触的卡内基梅隆大学研究生团队中的一员。很早之前我就对计算机象棋非常感兴趣，本科期间还写过一个国际象棋程序。在C.M.U.期间，我对人工智能有了更广泛地了解，并不仅限于制作出足以打败世界象棋冠军的高性能象棋计算机。虽然它只是一个编外项目，但我们还是在上面分配了许多研究人员（包括Feng-hsiung Hsu和Thomas Anantharaman），随后研发出了一台名为“深思”的计算机，它还成了首个在象棋赛事中打败象棋大师和专业棋士的计算机程序。

IBM注意到了我们团队用于研发这个机器的预算十分紧张，也认为让我们加入IBM研究中心研发下一代象棋计算机“深蓝”一定会非常有意思。他们还很想知道，不久的将来，那些顶尖国际象棋选手是否还能打败象棋计算机。虽然当时其他研究人员认为打败人类还需几十年，我们却觉得几年内就能成为现实。

Q：对计算机科学家来说，象棋让他们如此感兴趣的地方在哪？

全世界下象棋的人过亿。它是人类智慧的结晶，玩这种游戏需要有一定的策略、远见和逻辑等。因此，象棋对于衡量人工智能发展程度具有重要意义。

看着象棋这类游戏，我们一般会说，“当然，电脑确实下象棋很厉害，因为它的游戏规则、动作以及目标都界定明确。”这是一个你了解所有信息的约束性问题。然而，尽管简化了很多，国际象棋仍然是一个极其复杂的游戏，这也是为什么我们要花50年的时间才最终打败世界象棋冠军的原因。

Q：你在“深蓝”团队担任什么工作呢？

我是团队的AI专家。1990年前期的AI和1989年的AI大不一样。我们现在一般称那段时期很小一部分基于机器学习的AI为老式AI，或象征性AI。当然，机器学习在当时还是一个很严肃的领域，但是现在就不一样了。现在我们拥有大量的数据集和大型计算机，还有非常先进的算法来研究数据，创建一些惊人的新事物的模型。我刚进入IBM时，用于游戏项目的机器学习方法还相当原始，对我们研发设计“深蓝”没有太大帮助。我们致力于研究提高搜索效率和可持续评估的算法，因为我们知道，要想在比赛中占据竞争优势，“深蓝”必须拥有这种算法。

Q：当时AI最大的限制是什么？

硬件对构建大型网络并没有真正的帮助。而且，数据本身并不一定要达到我们需要的程度。只要你回顾一下20或25年前最流行的计算机系统，你就会对当时如何在这样一个系统上完成指令感到震惊。不过，大概还是因为我们没有经历过，我想我们还不知道自己到底错过了什么。

至于数据，我觉得当时应该没人会知道它以后用处这么大，也不会想到要花钱建立大数据集，其中部分原因大概是运行能力还不足。所以，我们只建了很小的数据集。 

Q：你的象棋专长在“深蓝”研发工作中发挥了多大作用？

其实这个专长并没有你想象的那么有用。早期，我还能够识别出系统存在的问题，还能提出我认为可以解决某个问题且不引发一系列其他问题的方法。这点对于我们的研发达到某种程度已经很够用了。不过，如果是要打比赛，那就还有很多真正的游戏专业知识需要掌握。与世界冠军对决时，我们还把Joel Benjamin这些象棋大师都找来帮助我们了。 

Q：这些象棋大师如何帮助“深蓝”提高比赛水平呢？

他们有两个主要的作用。一是协助建立开局数据库，把每一种象棋程序都应用起来，从而节省时间，并确保这些程序应用在合理位置上。几个世纪以来，人类一直在研究国际象棋的开局，并发展出了自己喜欢的【棋步】。这些大师正帮我们选出了很多种编写进“深蓝”程序中的棋步。

这些大师也可以充当“深蓝”的陪练。他们与计算机下棋的同时也尝试着发现系统缺陷。随后，他们会与研发团队的其他成员共同讨论缺陷所在并找出解决方法。有时考虑到我们的条件所限——我们将部分计算机指令直接编进国际象棋加速器芯片，而不是自己编写软件——有一些问题并不能轻易解决。但通常我们还是能提高机器处理现有问题的效率。

Q：“深蓝”如何决定棋步？

“深蓝”采用混合决策。它把通用超级计算机处理器与象棋加速器芯片相结合。在超级计算机上运行的软件只执行部分象棋运算，更复杂的棋步则由加速器处理，然后开始计算对手可能走出的棋步和结果。超级计算机就是根据这些来决定最终的棋步。

Q：为了击败Kasparov，1996到1997年期间，“深蓝”做了哪些改进？

我们做出了好几项改进。通过开发新一代硬件，我们差不多将运算速度提升到原先的两倍。我们还通过改善象棋芯片充实了系统内部的象棋知识，使它能够识别不同的棋局，同时对象棋的概念有更好理解。在不同棋局走势中，这些芯片可以从众多可能性中走出最佳棋步。同时，这几年我们还发现一个棋局中可以有很多种模式，我们分别给它们赋值，从而对局势进行更准确的评估。1997版本的“深蓝”每秒检索1亿到2亿个棋局，具体数目取决于棋局的类型。有时，系统一次能够计算出6到8种棋步，最多可达20种甚至更多。不过，尽管我们自认为97版“深蓝”比96版改善了很多，但我觉得最终的比赛结果可能还是平局。即便是到了比赛的最后一局，我仍在期待来场平局，或者之后有可能再次交手。 

Q：为什么经过1997年的那次比赛后，IBM不同意Kasparov再战的请求？

因为我们觉得已经达到了最初的目标——证明计算机可以在比赛中击败世界象棋冠军，现在是时候转到其他重要的研究领域了。 

Q：迄今为止，那场比赛已经过去20年了，这20年里AI有什么变化呢？ 

当然有了，机器在运行速度和内存等方面都有所改进。人们开始收集更多的数据，从而为机器学习算法提供练习数据。最终我们发现，将他们结合起来可以产生很多绝妙的结果。参加电视竞答节目的IBM“沃森（Watson）”通过机器学习吸收了全球海量数据——包括维基百科——并利用这些数据答出了很多现实问题。从那之后，我们还开始学习如何处理感知任务，如语音识别和机器视觉。“沃森”也可以执行越来越多的商业任务，如分析放射影像并与医师交流信息。

Q：研发“深蓝”项目的这段经历对你们之后在AI领域的工作有何影响？

我们学到了很多经验，其中之一就是多种角度看待复杂问题。举个例子，在国际象棋中，人类的下棋方式通常是基于模式识别和直觉，而机器则是通过密集检索数百万乃至数十亿的可能性。这些方法其实彼此互补。国际象棋中如此，许多现实世界中的问题同样如此，电脑和人脑的结合都要胜过其中任何一方。例如，我们肯定不希望计算机全权接管病患的诊断和治疗，因为病情诊断涉及大量无法数据化的信息，但是在提供诊疗建议上，计算机系统还是非常有用的。

我们现在采用的是先进的基于人工神经网络的系统——有点像黑箱——它们并不怎么擅长解释自己为何要给出某项建议。但是如果它自己都解释不清原因，又让人们怎么相信这个系统的建议呢？况且，未知的神经网络系统拥有百万参数，极其复杂。不过，处理部分问题还是可以照着给出的优秀范例来训练系统，这在医疗保健领域，计算机进行诊断或给出治疗建议时尤为明显。如果能给出合理解释的话，我想我们开发出来的机器在医生诊断时或许会有更大的发言权。

编译组出品。编辑：郝鹏程