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。

盡管很多人質疑“深藍”戰勝Kasparov并非全憑下棋謀略，而是摻入了一些作弊手段，但不可否認的是，經過費城慘敗後它确實進步飛快。那征服國際象棋之後，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涉嫌利用作弊手段赢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衆面前的事實證明，1997年5月的那場大戰确非常具有颠覆性，堪比一場激烈的拳王争霸賽，不過，顯然這場比賽充滿智慧的火花碰撞。以前經曆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，計算機科學家都把國際象棋作為AI進步的标杆。早在上世紀70年代後期，下國際象棋的計算機就已經出現，不過，直到十年後的1989年，卡内基梅隆大學的研究生團隊才開發出了第一台象棋計算機“深思（Deep Thought）”，并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的成績輕松擊敗“深思”。IBM對C.M.U.團隊的這項技術留下了深刻印象，以至于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，至少還是赢了世界冠軍一局。

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确的重要肯定”，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》的采訪時，Campbell談到了計算機科學家長期以來對計算機下象棋的癡迷，還有IBM是如何成功應對AI技術面臨的挑戰并扭轉戰局，擊敗國際象棋冠軍的。

【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當時接觸的卡内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國際象棋程序。在C.M.U.期間，我對人工智能有了更廣泛地了解，并不僅限于制作出足以打敗世界象棋冠軍的高性能象棋計算機。雖然它隻是一個編外項目，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），随後研發出了一台名為“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計算機程序。

IBM注意到了我們團隊用于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，不久的将來，那些頂尖國際象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，我們卻覺得幾年内就能成為現實。

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能發展程度具有重要意義。

看着象棋這類遊戲，我們一般會說，“當然，電腦确實下象棋很厲害，因為它的遊戲規則、動作以及目标都界定明确。”這是一個你了解所有信息的約束性問題。然而，盡管簡化了很多，國際象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于機器學習的AI為老式AI，或象征性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，用于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。我們緻力于研究提高搜索效率和可持續評估的算法，因為我們知道，要想在比賽中占據競争優勢，“深藍”必須擁有這種算法。

Q：當時AI最大的限制是什麼？

硬件對構建大型網絡并沒有真正的幫助。而且，數據本身并不一定要達到我們需要的程度。隻要你回顧一下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曆過，我想我們還不知道自己到底錯過了什麼。

至于數據，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，我們隻建了很小的數據集。

Q：你的象棋專長在“深藍”研發工作中發揮了多大作用？

其實這個專長并沒有你想象的那麼有用。早期，我還能夠識别出系統存在的問題，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。這點對于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。一是協助建立開局數據庫，把每一種象棋程序都應用起來，從而節省時間，并确保這些程序應用在合理位置上。幾個世紀以來，人類一直在研究國際象棋的開局，并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着發現系統缺陷。随後，他們會與研發團隊的其他成員共同讨論缺陷所在并找出解決方法。

有時考慮到我們的條件所限——我們将部分計算機指令直接編進國際象棋加速器芯片，而不是自己編寫軟件——有一些問題并不能輕易解決。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”采用混合決策。它把通用超級計算機處理器與象棋加速器芯片相結合。在超級計算機上運行的軟件隻執行部分象棋運算，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。通過開發新一代硬件，我們差不多将運算速度提升到原先的兩倍。我們還通過改善象棋芯片充實了系統内部的象棋知識，使它能夠識别不同的棋局，同時對象棋的概念有更好理解。在不同棋局走勢中，這些芯片可以從衆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，我們分别給它們賦值，從而對局勢進行更準确的評估。

1997版本的“深藍”每秒檢索1億到2億個棋局，具體數目取決于棋局的類型。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，盡管我們自認為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标——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，機器在運行速度和内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，将他們結合起來可以産生很多絕妙的結果。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——并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，如語音識别和機器視覺。“沃森”也可以執行越來越多的商業任務，如分析放射影像并與醫師交流信息。

Q：研發“深藍”項目的這段經曆對你們之後在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複雜問題。舉個例子，在國際象棋中，人類的下棋方式通常是基于模式識别和直覺，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。

國際象棋中如此，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。

我們現在采用的是先進的基于人工神經網絡的系統——有點像黑箱——它們并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着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）

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!