20 年前就打败了人类，「深蓝」开发者又如何看待 AlphoGo？

— shenzhenware —

DeepMind 的围棋人工智能 Alphago 对人类的碾压来得促不及防，现在它以 3:1 领先围棋冠军李世石。由于围棋的复杂性，很多人工智能专家曾认为，计算机要战胜顶尖人类，还需要数十年时间。而在约二十年前，IBM 也同样在人机之间挑起过争论，当时它开发的深蓝计算机打败了国际象棋大师加里·卡斯帕罗夫 (Garry Kasparov)。

Murray Campbell 是深蓝开发中的关键人物，也是 IBM 认知计算部门的高级经理，正是这一部门管理着现在的 Watson 人工智能平台。那这位深蓝的开发者，是怎样看待新世纪人机之战的呢？最近 Theverge 与他进行了对话，深圳湾对文章编译如下 (有删减)：

在20年前，你们如何解决象棋问题，打败卡斯帕罗夫的？

我们还在卡耐基梅隆大学读研时，就在开发象棋程序了，接下来 IBM 招了我们其中三个来开发下一代象棋计算机，也就是后来的深蓝。我们当时意识到，单纯的暴力破解方法很难打败世界冠军；但另一方面，拥有强大的计算力确实有用，而且程序的能力确实与计算速度有关，这有文献支持。所以我们将一些人工智能类的先进算法 (搜索和评估方面的)，与大型超级计算机相结合，来开发冠军级别的程序。1996 年的比赛我们失败了，但次年用改进的系统卷土重来，并取得了胜利。

你当时为什么会做这事？是出于对象棋的兴趣，还是对计算的挑战？

两者都有。我对象棋很感兴趣，在成为计算机科学家前也是象棋玩家，还曾获得过加拿大亚伯达省的冠军。不过我也认识到，真正厉害的高手有一些我没有的东西。这也让我想知道，怎样才能开发一个高水平的计算机来下棋呢？后来加入 IBM 时，我感到这是个机会，可以证明自己的想法。

除了个人兴趣，打败人类也对早期的计算机科学来说是个挑战。1949 年，知名数学家克劳德·香农 (Claude Shannon) 发表了一篇论文，描述了如何创造一台象棋计算机，并认为这是一个大挑战。

开发中，多大程度上你自己要了解国际象棋？是输入一些规则就行了，还是根据自己的经验来？

我认为了解一些象棋知识很重要。在开发的早期阶段，我们不需要成为个中高手，而且当时也不是。但进行到最后阶段时，会有很多关于如何下棋，以及大师的标准是什么的细节需要考虑，所以有个高手来帮忙很重要。当时我们请了象棋大师 Joel Benjamin 来帮忙。最后，我们还请了其他大师与机器对战，测试系统性能。

当时的目标是模仿人类风格，还是开发一个不惜一切取得胜利的系统？

我们完全没想着模仿人类，只不过是人类多数情况下，棋下得不错，所以我们也希望系统如此。人类的风格被研究得很好，虽然没被研究透，但心理学家数十年前就在研究了。而得到的结论是，象棋高手在考虑走棋时，只会关注少量的步数和位置。有时他们会计算到很深，才能决定怎么走，有时候不会。但他们很擅长棋局评估和搜索机制，这有助于决定选择哪种方式探索棋局。模仿人类是很困难的事。

最初的人工智能确实想让计算机有人类的网络，但往往会败给那些更「计算机风格」的计算机，即少进行评估，尽可能计算可能的步数。仅靠纯粹的搜索确实能达到一定的水平，但我们也意识到，这还不够，还是得在某些方面模仿人类。人类长于根据关键路线进行深入思考，我们也希望系统能这样做，而这也是深蓝能成功的一个重要原因。



到 1997 年，多数玩家都知道卡斯帕罗夫被打败了，他们认为深蓝的风格很不寻常吗？

是的，有这样一种说法，你看到计算机下出很出乎意料，或反直觉的一步棋时，会称它为「计算机走法」。这是因为人类有这样的思考方式，而有些走法，人类高手也不会用。这也是为何计算机能打败人类，虽然在某种程度上说，它们无法准确评估棋局：由于它们不同寻常，所以能看见一些人类不会看见的走法。不过有趣的是，现在的年轻棋手会比老一代更容易走出计算机的走法，可能是因为他们一直有跟计算机下棋。

所以计算机战胜人类，也让人类变得更优质？

很正确。

在计算机科学角度上，围棋与国际象棋有什么区别？

两者都需要强大的计算量，都很复杂。但围棋有一些象棋没有的特点，那就是很难评估它的棋局。像我一样的中级象棋选手，可能几个小时就能写一个评估函数，用于判断象棋的棋局。虽然达不到大师的水平，但与搜索结合起来，已经足够下高水平的棋了。

但围棋会随着时间推移而衍变，而且结构和互动非常复杂。象棋中的棋子会移动，没有很多静态结构，甚至只要数下谁的子多，你就能很好地预测谁会赢。现实当然会更复杂，但这是个不错的经验。围棋则完全不是这样，你没法数棋子，因为一般来说双方都差不多，而且评估起来难得多。所以我觉得，DeepMind 的高明之处在于，通过机器学习方法找到了更好的棋局评估方法。

你怎么看待 AlphaGo，它用的技术当时能用吗，能不能用在深蓝上？

我也与 DeepMind 的人讨论过这种问题。首先我认为 AlphaGo 很厉害，也提高了现在的人工智能水平。如果他们证明 AlphaGo 是一种通用机制，还能用在除围棋外的其它游戏中，我会更震惊。

至于这种方法能不能用在国际象棋上，我觉得它可能让程序比所有人类都厉害，但不会是最先进的，因为现在的象棋程序已经很强大，且超越了人类。象棋在搜索上是不同的游戏，即搜索对象棋很重要，但在围棋上不是这样。围棋中也需要深层次的搜索，但其中直觉，评估以及互动更为重要。

可以说，没有什么能替代搜索，现代程序，比如我知道的最好的 Komodo，都有搜索可能的走法上很高效，搜索的层次也很深。我认为 AlphaGo 所用的通用机制就算用在象棋上，也无法重塑搜索，它需要其它的突破。

AlphaGo 能与自己下棋，看起来能力会不断提升。

它在与自己下棋时，确实看起来有所提升。我不知道这是否会有限制，它能否不断改进。但根据我对两种游戏的理解，AlphaGo 用的方法直接用在象棋上时，无法打败现有的程序。

处理能力对两类游戏来说有多重要？

在象棋中可能没那么重要。处理能力越强当然越好，但现在的智能手机已经能打败任何人了。算法已经有了优化，程序也相当高效。AlphaGo 似乎用了很多处理能力，发表的论文上也说在 CPU 和 GPU 更多时，表现也更好。(编者注：上周 DeepMind 表示，逐渐达到了收益递减的临界点，即再增加计算性能似乎无法让计算机的表现更好)

AlphaGo 的胜利对人工智能领域来说会意味着什么？会有下一个目标或里程碑吗？

我认为，这会让围棋和象棋的研究减少。会有很好的机制处理这类游戏，部分是因为，虽然它们很复杂，但在另一方面上看又很简单。他们都是完美的信息游戏，是零和游戏，也是轮流来玩的游戏，所以没有运气的成分在里面。但现实世界并不如此，你在决策中很少能完全了解情况，决定的结果也很难理清楚。

所以我很想知道如何将 AlphaGo 的系统用在其它游戏上，以及在没有人类输入的情况下用在围棋上会怎么样。这些都可以成为里程碑，但我认为我们会瞄准棋类游戏之外。将这种技术用在现实世界的问题会更有价值，也是我们应该做的。不过在这种转移过程中，系统不会很快超越人类，因为人类与机器都有自己擅长的方面，需要互补。

最直接的现实使用是什么？

我认为可能是医疗保健方面。我不认为计算机会很快帮人类做决定，但它们能分析数据，帮人类做出更好的决定。算法可以帮助识别出数据中的模式，为医生提供决策洞见，让决策更准确。

● ● ●

— shenzhenware —