天天象棋人机对战精英什么水平（天天象棋人机对战精英，究竟何种棋艺水平）

很多人在关注销魂飞刀了解，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？

我是销魂飞刀，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。