1997 年 5 月 11 日，加里·卡斯帕罗夫（Garry Kasparov）在美国纽约曼哈顿公正中心的毛绒皮椅上坐立不安，焦急地抚摸着他的头发。
这是他与 IBM 的 Deep Blue 超级计算机进行的最后一场比赛，也是人类和硅之间对决的关键决胜局。但是，事情进展得并不顺利，由于比赛初期犯了一个严重的错误，卡斯帕罗夫被逼至一个角落。
通常，一场高级的国际象棋比赛需要持续至少 4 个小时，但卡斯帕罗夫在一个小时后就意识到自己注定要失败。他宣布罢赛，倚靠在棋盘上僵硬地与约瑟夫·霍恩（Joseph Hoane）握手，后者是 IBM 工程师，曾帮助开发 Deep Blue，并在棋盘上负责移动计算机的棋子。
随后，卡斯帕罗夫蹒跚地向观众走去，并无助地耸了耸肩。他后来说，在它最好的时刻，这台机器“发挥得像神一样”。
任何一个对人工智能感兴趣的人，应该都听说过这位大师的失败。《新闻周刊》（Newsweek）称这场比赛为“大脑的最后一战”，其另一个标题又把卡斯帕罗夫誉为“人类的卫士”。
如果人工智能能够打败世界上最敏锐的国际象棋头脑，那么计算机似乎很快就会在一切事情上打败人类——在这方面，IBM 处于领先地位。
（来源：《麻省理工科技评论》）
当然，实际并非如此。
在 25 年后的今天，当我们再回头时就可以发现，Deep Blue 超级计算机的胜利与其说是人工智能的胜利，不如说是一座“丧钟”。费力地用手工制作无尽的代码，这是老式计算机智能的高度标志，其很快就会被一种与之竞争的人工智能——神经网络——尤其是被称为“深度学习”的技术所替代。
重量较大的 Deep Blue 就像即将“被小行星杀死的笨重恐龙”，而神经网络则是能够生存“并改变地球的小哺乳动物”。即使在今天这个日常生活中充满了人工智能的世界，计算机科学家仍然对机器能否真正思考的问题争论不休。
关于这个问题，Deep Blue 可能会笑到最后。
1989 年，当 IBM 开始创建 Deep Blue 时，人工智能陷入了恐慌。这个领域曾多次经历过山车般令人眩晕的炒作和羞辱性的崩溃。
比如，20 世纪 50 年代的先驱们声称，很快就会看到人工智能的巨大进步；数学家克劳德·香农（Claude Shannon）预测，“在 10 到 15 年内，实验室将会出现一些东西，这离科幻小说中的机器人不远。”
不过，由于发明者未能实现愿景，上述的一切都没有发生。这让投资者感到愤怒，并停止对新项目的资助。
因此，20 世纪 70 和 80 年代成为“人工智能的寒冬”。
关于失败的原因，我们现在已经知道了。人工智能的创造者们试图用纯粹的逻辑来处理日常生活中的混乱，它们会耐心地为人工智能需要做的每一个决定都制定一条规则。但是，由于现实世界过于模糊和微妙，无法以刻板的方式进行管理。
工程师们精心制作了他们的“发条”杰作、或他们所谓的“专家系统”，它们会工作得相当好，直到现实抛来一个曲线球。
比如，一家信用卡公司可能会建立一个自动批准信用申请的系统，结果却发现他们已经给狗或 13 岁的孩子开了信用卡。程序员从来没有想过未成年人或宠物会申请一张卡片，所以他们从来没有写过规则来适应这些边缘的情况。因此，这样的系统无法自己学习一个新的规则。
通过手工制作的规则建立起来的人工智能是“脆弱的”：当它遇到一个奇怪的情况时，它就会崩溃。到 20 世纪 90 年代初，专家系统的问题带来了人工智能的另一个冬天。
“围绕人工智能的很多对话都是这样，‘来吧。这只是炒作，’”西雅图艾伦人工智能研究所的 CEO 奥伦·埃齐奥尼（Oren Etzioni）说，他当时是一名年轻的计算机科学教授，彼时其开始了在人工智能领域的职业生涯。
在这种愤世嫉俗的情况下，Deep Blue 的到来就像一个奇怪的雄心勃勃的登月计划。这个项目源于 Deep Thought（深思）的工作，这是一款由默里·坎贝尔（Murray Campbell）和许峰雄（Feng-hsiung Hsu）等人在卡内基梅隆大学建造的一款国际象棋电脑。
据悉，Deep Thought 这个名字来自于《银河系漫游指南》中可笑的人工智能——当被问及生命的意义时，它得出的答案是“42”。
Deep Thought 表现得非常好；1988 年，它成为第一个击败大师本特·拉森（Bent Larsen）的国际象棋 AI。卡耐基梅隆大学的团队已经想出了更好的算法来评估国际象棋的走法，他们还创建了定制的硬件，可以快速地计算这些算法。
IBM
得到了 Deep Thought 的风声，决定发起一场“大挑战”，制造一台优秀到可以击败任何人类的计算机。1989 年，它聘请了许峰雄和坎贝尔，并要求他们击败世界顶级大师。
长期以来，在人工智能的圈子里，国际象棋一直具有象征性的力量——两个对手在纯思想的星空中相互对峙。如果他们能打败卡斯帕罗夫，肯定会成为头条新闻。
为了构建 Deep Blue 游戏，坎贝尔和他的团队不断制作新的芯片，以更快地计算国际象棋的位置，并聘请大师来帮助改进评估下一步棋的算法。
效率很重要，国际象棋游戏可能比宇宙中的原子还要多，即使是超级计算机也无法在合理的时间内思考所有的游戏。
为了下棋，Deep Blue 会先看一步，从那里计算可能的棋步，“修剪”那些看起来没有希望的棋步，沿着有希望的路径深入下去，并重复这个过程数次。
坎贝尔说：“我们认为这需要 5 年时间——实际上花了 6 年多一点。”到 1996 年，IBM终于准备好面对卡斯帕罗夫，并将比赛定在当年 2 月。坎贝尔和他的团队仍然疯狂地赶着完成 Deep Blue。他说：“在我们真正上台之前，这个系统只工作了几个星期。”
Deep Blue 的第一次展示如约而至。虽然 Deep Blue 赢了一局，但卡斯帕罗夫赢了三局，并拿下了比赛。IBM要求进行重赛，坎贝尔的团队在接下来的一年里建造了更快的硬件。
当他们完成改进的时候，Deep Blue 已经由 30 个 PowerPC 处理器和 480 个定制国际象棋芯片组成；他们还雇佣了更多的大师——在任何给定的时间点有四五个大师——以帮助制作更好的算法来解析象棋位置。
1997 年 5 月，当卡斯帕罗夫和 Deep Blue 再次相遇时，计算机的速度提高了一倍，每秒可评估 2 亿个棋步。
尽管如此，IBM仍然对胜利没有信心，坎贝尔回忆说：“我们预计将会是平局。”
图 | 1996 年，加里·卡斯帕罗夫击败 Deep Blue 后，IBM要求这位世界象棋冠军进行复赛，复赛在纽约市举行，使用的是升级版机器（来源：《麻省理工科技评论》）
然而，现实要戏剧得多。卡斯帕罗夫在第一场比赛中遥领先。但在第二场比赛的第 36 步中，Deep Blue 做了一些卡斯帕罗夫没有预料到的事情。
Deep Blue 习惯了传统的计算机下棋方式，这种风格源于机器纯粹的蛮力。它在短期战术上比人类更胜一筹，并且 Deep Blue 可以轻易地推断出几步之后的最佳选择。
但传统上，电脑不擅长的是策略——即思考未来很多步棋的形状的能力。而这是人类仍然有优势的地方。
或者说卡斯帕罗夫是这样想的，直到 Deep Blue 在第二场的举动才让他感到震惊。它看起来如此复杂，以至于卡斯帕罗夫开始担心：也许机器比他想象的要好得多！他确信自己没有办法获胜，于是放弃了第二局。
但他不应该这样做。事实证明，Deep Blue 其实并不是那么好。只是卡斯帕罗夫没有发现可以让比赛以平局结束的一步棋。
他在折磨自己，担心机器可能比实际功能强大得多，担心机器已经开始在不存在的地方看到类似人类的推理。
卡斯帕罗夫被打乱了节奏，一直到打得越来越差。他一次又一次地把自己吓坏了。在第六局，即决定胜败的比赛中，他走了一步如此糟糕的棋，以至于国际象棋观察家们震惊地叫了起来。他后来在新闻发布会上说：“我当时根本没有心情下棋。”
在 Deep Blue 成功后的媒体狂欢中，IBM的市值在一周内上涨了 114 亿美元。不过，更重要的是，这场胜利就像人工智能漫长冬天的解冻。如果国际象棋可以被征服，那么接下来会发生什么呢？公众的注意力和好奇心都被调动起来了。
坎贝尔告诉我，“这才是引起人们关注的原因。”
事实是，电脑打败卡斯帕罗夫并不令人惊讶。大多数一直关注人工智能和国际象棋的人都预计它最终会发生。
国际象棋似乎是人类思维的巅峰，但事实并非如此。其实，这是一项很适合用蛮力计算的脑力劳动：规则很明确，没有隐藏的信息，计算机甚至不需要跟踪以前的棋步发生了什么。它只是评估现在棋子的位置。
每个人都知道，一旦计算机发展得足够快，它们就会压倒人类，这只是时间问题。到了 20 世纪 90 年代中期，“从某种意义上说，文字已经过时了，“Alphabet 旗下的人工智能公司DeepMind的负责人德米斯·哈萨比斯（Demis Hassabis）说。
Deep Blue 的胜利表明了手工编码系统是多么有限。IBM 花了数年时间和数百万美元开发一台用来下棋的电脑，但它不能做其他事情。
坎贝尔说：“Deep Blue 的胜利并没有让人工智能对世界产生巨大影响。”因为他们并没有真正发现任何智能的原则，同时现实世界和国际象棋也并不一样。
他补充说：“很少有问题像国际象棋那样，你有可能需要的所有信息来做出正确的决定。大多数时候，都有未知因素，且存在随机性。”
就在 Deep Blue 与卡斯帕罗夫擦肩而过的时候，一些“不务正业”的后起之秀正在研究一种更有前景的人工智能形式：神经网络。
对于神经网络，我们的想法不是像专家系统那样，为人工智能的每一个决定耐心地编写规则。相反，训练和强化加强了内部连接，粗略地模仿了人类大脑的学习方式（正如理论所言）。
这个想法从 20 世纪 50 年代开始就已经存在。但是训练一个有用的大型神经网络需要闪电般快速的计算机、大量的内存和大量的数据。当时这些都不是现成的。甚至到了 20 世纪 90 年代，神经网络也被认为是在浪费时间。
“那时，人工智能领域的大多数人认为神经网络只是垃圾，”多伦多大学计算机科学荣誉教授、该领域的先驱者杰夫·辛顿（Geoff Hinton）说，“我被称为‘真正的信徒’。”这并不是一种恭维。
但是，到了 21 世纪头十年，计算机行业正在不断发展，使得神经网络更加可行。电子游戏玩家对越来越好的图形的渴望，创造了一个巨大的超高速图形处理单元的产业，事实证明它非常适合神经网络。
与此同时，互联网正在爆炸，产生了大量可以用来训练这些系统的图片和文本。
到了 21 世纪 10 年代初，这些技术上的飞跃让辛顿和他的忠实“信徒们”将神经网络提升到新的高度。他们现在可以创建包含许多层神经元的网络（这就是“深度学习”中的“深度”的意思）。
2012 年，他的团队在年度 Imagenet 竞赛中轻松获胜。在该竞赛中，人工智能竟能识别图片中的元素。它震惊了计算机科学的世界：自我学习的机器终于可行了。
在深度学习革命开始的十年后，神经网络及其模式识别能力已经占领了日常生活的每一个角落。它们帮助 Gmail 自动完成你的句子，帮助银行检测欺诈行为，让照片应用程序自动识别人脸，并且在OpenAI的 GPT-3 和DeepMind的 Gopher 的帮助下，写出听起来像人类的长篇文章和总结文本。
它们甚至改变了科学的发展方式。2020 年，DeepMind推出了 AlphaFold2，这是一种可以预测蛋白质如何折叠的人工智能——这是一项超人的技能，可以帮助指导研究人员开发新药和新的治疗方法。
与此同时，Deep Blue 也消失了，没有留下任何有用的发明。事实证明，下棋并不是日常生活中需要的计算机技能。DeepMind的创始人德米斯·哈萨比斯（Demis Hassabis）说：“Deep Blue 最终显示的是试图用手工创造一切的缺点。”
IBM试图用另一个专门的系统 Watson 来解决这种情况，这个系统旨在解决一个更实际的问题：让一台机器来回答问题。它使用了对大量文本的统计分析来实现语言理解，这在当时是最前沿的，并且这不仅仅是一个简单的假设系统。
但 Watson 面临的时机很不幸：仅仅几年后，深度学习的革命就使其黯然失色，这场革命带来了一批比 Watson 的统计技术更细致的语言处理模型。
前斯坦福大学教授达芙妮·科勒（Daphne Koller）说，深度学习已经超越了老式的人工智能，正是因为“模式识别具有令人难以置信的力量”，她创建并经营着Insitro公司，该公司使用神经网络和其他形式的机器学习来研究新的药物治疗。
神经网络的灵活性、即模式识别的多种方式，是尚未出现另一个人工智能冬天的原因。“机器学习确实带来了价值，”她说，这是人工智能领域的“前一波繁荣浪潮”从未做到过的。
Deep Blue 和神经网络颠倒的命运表明，长期以来我们在判断人工智能的困难和价值上做得比较糟糕。
几十年来，人们认为掌握象棋很重要，因为对人类来说，国际象棋很难达到很高的水平。但是，国际象棋对计算机来说却相当容易掌握，毕竟它的逻辑性很强。
对计算机来说，更难学习的是人类所做的随意的、无意识的心理工作——比如进行生动的对话、驾驶汽车通过马路、或者识别朋友的情绪状态。
我们如此毫不费力地做这些事情，以至于我们很少意识到它们是多么的棘手，以及它们需要多少模糊的灰度判断。深度学习的巨大效用来自于能够捕捉到这种微妙的、不为人知的人类智慧的小片段。
不过，当下人工智能领域还没有取得最终的胜利。深度学习现在可能正高歌猛进，但它也在积累尖锐的批评。
“很长一段时间以来，有这样一种技术沙文主义的热情，他们认为，人工智能可以解决所有问题！”梅雷迪思·布鲁萨德（Meredith Broussard）说，她是纽约大学的新闻学教授和《人工非智能》的作者。
但正如她和其他批评人士指出的，深度学习系统通常是在有偏见的数据上训练，并吸收这些偏见。
计算机科学家乔伊·布奥拉姆维尼（Joy Buolamwini）和蒂姆尼特·格布鲁（Timnit Gebru）发现，三个商业化的视觉人工智能系统在分析皮肤较黑的女性的脸时非常糟糕。亚马逊训练了一个人工智能来审查简历，结果发现它对女性的排名有所下降。
虽然计算机科学家和许多人工智能工程师，现在已经意识到了这些偏见问题，但他们并不总是确定如何处理这些问题。
最重要的是，神经网络也是“巨大的黑匣子”，丹妮拉·罗斯（Daniela Rus）说，她是一名人工智能专家，目前管理着麻省理工学院的计算机科学和人工智能实验室。
一旦一个神经网络被训练，它的机制也不容易理解。目前还不清楚它将如何得出结论，也不清楚它将将如何失败。
罗斯认为，依靠一个黑盒子来完成一个不是“安全关键”的任务可能不是问题。但如果是像自动驾驶这样的高风险工作呢？她说：“实际上，我们可以对它们给予如此多的信任和信心，这很了不起。”
这就是 Deep Blue 的优势所在。老式的手工规则可能很脆弱，但它是可以理解的。机器很复杂，但它并不神秘。具有讽刺意味的是，随着工程师和计算机科学家在努力解决模式匹配的局限性，这种旧的编程方式可能会卷土重来。
语言生成器，比如OpenAI的 GPT-3 或DeepMind的 Gopher，可以用你写的一些句子，继续写一页又一页听起来可信的散文。
但是，尽管有一些令人印象深刻的模仿，Gopher“仍然不能真正理解它在说什么，”哈萨比斯说，“不是在真正的意义上的。”
类似地，视觉人工智能在遇到边缘情况时，也会犯下可怕的错误。自动驾驶汽车撞上了停在高速公路上的消防车，因为在它们接受过训练的数百万小时的视频中，从未遇到过这种情况。神经网络以它们自己的方式出现了一种“脆弱性”问题。
正如许多计算机科学家现在所怀疑的那样，人工智能要想继续前进，真正需要的是了解世界事实的能力，并对它们进行推理。自动驾驶汽车不能仅仅依靠模式匹配。它还必须有常识，知道什么是消防车，以及为什么看到一辆消防车停在高速公路上就意味着危险。
问题是，没有人知道如何建立能够推理或使用常识的神经网络。加里·马库斯（Gary Marcus）是一名认知科学家和《重启人工智能》的合著者，他怀疑人工智能的未来将需要一种“混合”的方法——神经网络学习模式，但由一些老式的手工编码逻辑的指导。从某种意义上说，这将把 Deep Blue 的优势与深度学习的优势结合起来。
深度学习的铁杆爱好者们并不同意。辛顿认为，从长远来看，神经网络应该完全具有推理能力。毕竟，人类是这样做的，“而大脑是一个神经网络。”使用手工编码的逻辑让他觉得很疯狂；它会遇到所有专家系统的问题，那就是你永远无法预测你想要给机器的所有常识。
辛顿说，未来的道路是继续进行神经网络的创新——探索新的架构和新的学习算法，以更准确地模仿人类大脑本身的工作方式。计算机科学家正在涉足各种方法。
在IBM，Deep Blue 的开发者坎贝尔正在致力于“神经符号”人工智能，它的工作方式有点像马库斯的建议。埃齐奥尼的实验室正试图为人工智能构建常识性模块，其中包括训练过的神经网络和传统的计算机逻辑；但到目前为止，现在还处于早期阶段。
未来可能看起来不太像是 Deep Blue 或神经网的绝对胜利，而更像是弗兰肯斯坦式的方法——两者结合在一起。
鉴于人工智能很可能会继续存在下去，我们人类将如何与它一起生活呢？我们最终会像卡斯帕罗夫一样被人工智能打败，因为它在“思考工作”方面做得非常好，以至于我们无法与之竞争？
卡斯帕罗夫本人并不这么认为。在输给 Deep Blue 公司之后不久，他认为与人工智能对抗毫无意义。机器以一种根本上不人道的方式“思考”，使用蛮力数学。它总是有更好的战术和短期力量。
那么为什么要竞争呢？相反，为什么不合作呢？
在与 Deep Blue 比赛之后，卡斯帕罗夫发明了“高级国际象棋”，即人类和硅共同工作。一个人与另一个人对弈——但每个人都挥舞着一台运行国际象棋软件的笔记本电脑，以帮助战争游戏中的可能步骤。
当卡斯帕罗夫在 1998 年开始举办高级国际象棋比赛时，他很快就发现了比赛中迷人的差异。有趣的是，业余选手的拳头重量超过了他们的体重。在 2005 年的一场人与笔记本电脑的比赛中，其中一对选手击败了几位大师级人物，赢得了最高奖项。
他们如何成为最好的国际象棋高手呢？因为业余爱好者能更好地理解如何与机器合作。他们知道如何快速探索想法，什么时候接受机器的建议，什么时候忽略它。目前，一些联盟仍在举办高级国际象棋锦标赛。
卡斯帕罗夫在一封电子邮件中告诉我，“未来，在于找到结合人类和机器智能的方法，以达到新的高度，并做两者都无法单独做到的事情。”
当然，神经网络的行为与国际象棋引擎不同。但许多名人都强烈同意卡斯帕罗夫关于人类与人工智能合作的愿景。DeepMind的哈萨比斯认为，人工智能是科学的一种发展方向，它将指导人类取得新的突破。
“我认为我们将看到一个巨大的繁荣，”他说，“我们将开始看到诺奖级别的科学挑战被一个接一个地击倒。”
科勒的公司Insitro也同样在使用人工智能作为研究人员的合作工具，”她说，“我们正在玩一个人机混合游戏。”
会不会有那么一天，我们能把人工智能的推理能力打造得如此像人类，以至于人类真的没有什么可提供的，而人工智能则接管了所有的思考？有可能。但即使是这些处于前沿的科学家，也无法预测何时会发生，甚至会不会发生。
因此，在这场著名的比赛结束 25 年后，这或许是 Deep Blue 带来的最后礼物。在他的失败中，卡斯帕罗夫窥见了人工智能和人类的真正终局。“我们将越来越多地成为算法的管理者，他告诉我，“并利用它们来提高我们的创造性产出——我们冒险的灵魂。”
支持：大义、路雨晴
原文：
https://www.technologyreview.com/2022/02/18/1044709/ibm-deep-blue-ai-history/
