世界冠军加里·卡斯帕罗夫（Garry Kasparov）在1996年击败了IBM深蓝计算机，但在1997年被击败，输了4-2。
1997年，IBM深蓝计算机战胜了大师级和世界冠军加里·卡斯帕罗夫（Garry Kasparov），这被认为是技术史上的胜利分水岭，堪比登月。她似乎证明了计算机可以在我们认为独特的领域击败人类：思考1。如今，DeepBlue计算机使用的象征性AI技术被认为已过时，尤其是对于像go这样更复杂的游戏，它是在两千年前在中国发明的。但是在2016年，世界围棋冠军Lee Sedol被Google的DeepMind AlphaGo AI系统击败。研究员兼风险投资家李开复将此次活动称为“中国人造卫星时刻” 2：他认为，正是这一点促使中国在人工智能研究上投资数十亿美元，以赶上甚至超过美国。 AlphaGo的胜利说明了新的AI范例的蓬勃发展-深度学习和神经网络-这是现代AI革命的核心。
为什么像国际象棋这样的游戏在AI历史上如此重要？人工智能研究的先驱，包括赫伯特·西蒙，艾伦·纽厄尔，约翰·麦卡锡和马文·明斯基，通过西方哲学的传统视角来审视人类的智能，亚里士多德奠定了这一基础。这种以欧洲为中心的男性化智力观植根于笛卡尔的身心分工，优先考虑大脑技能-逻辑，数学和解决问题的能力，而以身体，情感，社会和文化形式的智力为代价。他们认为，如果理性（即逻辑）将人与野兽区分开来，那么逻辑应该是智慧的基础。
布莱斯·帕斯卡（Blaise Pascal）是哲学家和数学家。在1640年代，他发明了一台能够执行加法操作的机器来帮助他的父亲（一个收税员）。
从布莱斯·帕斯卡（Blaise Pascal）到乔治·布尔（George Boole）和伯特兰·罗素（Bertrand Russell）的许多西方哲学家和数学家都在尝试使计算/逻辑与思想本身等同，在数学上更加严格（更“形式化”），或者下一步是对其进行机械化。帕斯卡（Pascal）亲自为此目的制造了一台计算机，这种西方思想冲动的顶峰是20世纪数字计算机的发明。 1950年代和1960年代的AI研究先驱将游戏视为人类解决问题来展示智力的另一种方式。如果AI研究人员可以模拟玩家的操作方式，那么他们可以使这一过程自动化。由数学家和计算机先驱约翰·冯·诺伊曼（John von Neumann）建立的数学分支，称为博弈论，应用于经济学和军事事务。它提供了计算机科学中广泛使用的策略和算法的优化。人工智能研究先驱赫伯特·西蒙（Herbert Simon）已将这些理论应用于计算机科学和经济学（他获得了诺贝尔奖）。因此，游戏可以认真模拟现实世界的各个方面的想法在计算机科学的早期就很重要。特别是，由于早期的计算机很难模拟现实世界的复杂性，因此游戏被视为简化的“微世界”，其局限性和规则得到了计算机的充分理解，并在1960年代实现了快速发展。因此，游戏可以认真模拟现实世界的各个方面的想法在计算机科学的早期就很重要。特别是，由于早期的计算机难以模拟现实世界的复杂性，因此游戏被视为简化的“微世界”，其局限性和规则得到了计算机的深刻理解，并在1960年代实现了快速发展。因此，游戏可以认真模拟现实世界的各个方面的想法在计算机科学的早期就很重要。特别是，由于早期的计算机很难模拟现实世界的复杂性，因此游戏被视为简化的“微世界”，其局限性和规则得到了计算机的充分理解，并在1960年代实现了快速发展。
沃尔夫冈·冯·肯珀伦（Wolfgang von Kempelen）的Turok棋牌游戏机，由隐藏在里面的在世玩家控制。
特别是国际象棋，在历史上一直被认为是西方知识活动的顶峰。这是与逻辑和策略相关的智力游戏。想想《星际迷航》中的Spock先生在3D国际象棋中击败人类玩家。即使在18世纪，欧洲精英也对能够下棋的机器的想法着迷。沃尔夫冈·冯·肯佩伦（Wolfgang von Kempelen）以他的“机械土耳其人”而闻名，这是为奥地利女皇玛丽亚·特雷莎皇后制造的国际象棋机器，击败了本杰明·富兰克林和拿破仑。后来发现，“土耳其人”是假货，一个活着的玩家躲在里面。然而，他打动了埃德加·爱伦·坡和查尔斯·巴贝奇的想象力。对象棋作为智力指标的兴趣延伸到了20世纪奠定了计算理论的数学家：艾伦·图灵，克劳德·香农，约翰·冯·诺依曼，诺伯特·维纳，当然还有AI赫伯特·西蒙，艾伦·纽维尔和约翰·麦卡锡的先驱。尤其是纽维尔和西蒙认为国际象棋是AI的典型挑战，最适合他们的首选解决方案：搜索。
1947 .
MIT Bell Labs () 1950 , . MIT ( ). (. 1950 ).
, , 1980 .
什么是搜索？下棋时如何使用搜索？在AI的上下文中，搜索并不意味着使用Google在网络上搜索文本（尽管Web搜索引擎可以在AI的上下文中使用搜索的概念）。在AI中，搜索是指遍历问题的可能解决方案时的反复试验过程。搜索是经典AI（也称为“符号” AI）的基本方法之一，因为这种方法涉及操纵符号列表，例如，在解决代数问题时。解决问题的各种过程，例如定理证明，难题解决，游戏和迷宫解决，都需要先确定要尝试什么。这些选择可以建模为分支决策树。
.
-. , , - «».
假设我们需要创建一个机器人鼠标来寻找摆脱迷宫的出路（大约是克劳德·香农在1950年所做的事情）。如果她撞到有四扇门的路口，则可以向右，向前和向左移动，但禁止她返回。这给了我们三个可能的选择。计算机科学家会说，鼠标的“分支因子”为3。对计算机进行编程以穿越（解决）迷宫的最简单方法是依次检查每个选项或分支。这称为蛮力搜索：我们会测试所有变体。但是，我们的鼠标当然会再转到一个路口，然后才有机会返回以检查第一个路口的所有其他选项。每次到达新的十字路口鼠标可以在另外三个新路径之间进行选择。我们可以设置鼠标可以深入搜索的相交数量，然后再返回并尝试其他路径。
克劳德·香农（Claude Shannon）在迷宫中移动了电动鼠标（约1952年）。
这称为搜索深度，在游戏中称为“前瞻”。如您所见，需要用鼠标搜索的路径数量增长很快：就像3（分支因子）一样，乘以自身的次数就是我们主动检查决策树的次数。换句话说，问题正在成倍增长。在AI行业中，这通常被称为``组合爆炸''问题。
早期理论中的棋盘
类似的方法也可以在国际象棋中使用。在每个棋手的棋步中，我们最多可以选择38个可能的棋步，也就是说，国际象棋问题的分支因子为38。要从这38个棋步中选择最佳棋局，可采用定量方法评估一个棋位置相对于另一棋位置的相对利益。这称为“评分功能”。国际象棋平均要进行42步棋，并且由于有两个棋手，因此需要乘以2，这使我们得到约38 84-比宇宙中的星星数还多。即使在AI历史的早期阶段，也很明显，用暴力搜索象棋和其他任务进行的这种搜索根本无法在当时的设备上进行。选项太多，计算机也太弱了。克劳德·香农（Claude Shannon）是最早使用该算法的人之一“最小极大值”（在计算机国际象棋程序中（此算法仍是大多数国际象棋程序的基础），已经注意到由于人类在游戏中的知识和经验，您可以无需查看即可迅速切断许多分支。HerbertSimon和Allen Newell建议使用“启发式”，或人们在解决问题时会部分使用的经验法则，大多数情况下它们会起作用，但这并不总是发生的。启发法是一种可以编程到计算机中的人类知识。
棋
国际象棋在决策树中的分支比井字游戏要多。据计算，象棋游戏的变体数大约等于10 120，这比宇宙中的原子数还多。
有限的前瞻
鉴于分支的数量众多，国际象棋程序只能在搜索树中前瞻有限的深度，否则搜索将永远持续下去。
在国际象棋中被证明有用的一种启发式方法是“ alpha-beta截止“。这意味着，如果程序确定一个动作可以很容易地被敌人抵抗，那么就不需要寻找其他方式来抵抗相同的动作。沿着这条路径的进一步搜索可以忽略，从而从树上切断整个分支这样可以将分支因子从38大大减少到6，有时甚至减小到3。此外，由于当时计算机的局限性，大多数程序只能向前看4个步骤。第一个能有效对抗业余爱好者的国际象棋程序之一，由MIT学生Alan Kotok在John McCarthy的指导下于1959-1962年创建。Kotoka-McCarthy程序使用alpha-beta剪切。
, IBM 7090 . , - . 1967 , , 3-1 .
1959 MIT , . , , . . 1962 .
Newell和Simon认为，可以通过结合启发式搜索或“启发式搜索”来解决所有国际象棋问题，例如国际象棋。启发式搜索是Newell和Simon早期突破背后的中心思想，即逻辑理论家和一般问题解决者，并成为他们理论中人和机器的智能都在于符号的简单操纵（这些基本构成要素）的重要支柱。数学和语言。从1950年代开始到2000年代初，这种“符号的物理系统”假说成为整个符号人工智能项目的基础。假定计算机和人类的“大脑”是等效的这一理论在认知心理学中已变得极为重要。后来甚至由于赛博朋克流派的作品而进入流行文化，人们可以将其大脑上传到互联网或用芯片代替它们。
() , -, Logic Theorist, General Problem Solver NSS ( --). JOHNNIAC RAND.
计算机变得越来越快，而本身就是经验丰富的国际象棋棋手的计算机科学家（例如Richard Greenblatt和Hans Berliner）创建了自己的国际象棋程序。他们发现，第一个国际象棋程序（例如Kotok编写的程序）的播放效果非常差，并增加了他们对真实玩家如何将游戏应用于其程序的知识。这种知识采取了其他启发式的形式，以改善对棋子位置，开局动作和残局数据库以及运动场模式识别器的估计。但是，随着时间的流逝，越来越明显的是，在更快的计算机或专用设备上运行的象棋程序可以胜过内置大量人类知识的程序。发生这种情况是因为没有一种试探法是完美的，并且无法解决所有情况。有时会出现巧妙的举动，因为玩家试图做一些大多数人认为是不好的举动。大多数启发式方法会在不进行进一步搜索的情况下切断这种动作，这意味着使用人类知识的程序永远不会采取这种动作。
Hans Berliner（背景），Murray Campbell（左）和Feng Xiong Xu在内华达州里诺举行的第20届ACM电脑国际象棋锦标赛上。两个团队共享第一名-HiTech（柏林团队）和Deep Thought（坎贝尔和徐团队）。他们俩都代表卡内基梅隆大学。后来，IBM聘请了Deep Thought团队的三名成员（包括Campbell和Xu）来创建Deep Blue。
随着计算机速度的提高，他们能够更深入地预测6、7、8步，轻松击败了仅预测4步的程序。发现了一种更有效的搜索算法，称为“迭代加深搜索”；他可以逐步沿着最有前途的路径增加搜索深度。它最初在Chess 4.5中使用。3 David Slate和Larry Atkins-1976年在人类象棋比赛中获胜的第一个程序。内存的增加还使程序可以保留以前查看过的位置，从而进一步减少了所需的搜索量。所有这些创新（alpha-beta修剪，迭代加深，存储经过验证的位置以及开局和残局的数据库）在计算机国际象棋锦标赛中由国际象棋程序的开发人员自由交换，因此成为标准技术。
1977年，Ken Thompson（被誉为Unix操作系统的合著者）和Bell Laboratories的Joe Condon设计了一种专用的国际象棋机器Belle。百丽的专业国际象棋设备和残局数据库彻底改变了计算机国际象棋。
Belle 13- . Belle , Cray Blitz. 1970 1994 (Association for Computing Machinery, ACM) .
1980- Belle, Bell Labs, . Belle CHAOS WCCC 1980 , , . Belle CHAOS .
Belle Chess 4.0 4- (WCCC), - 1983 . : , . : Chess . Cray Blitz, Bebe.
尽管软件取得了进步，但随着1970年代计算机速度的提高，国际象棋程序在没有任何软件创新的情况下自动变得更好。到1980年代，计算机国际象棋进步的主要因素是使用硬件来加快搜索速度。它们已成为计算机设计的挑战，而不是AI的挑战。 1997年，深蓝仍然使用了与20年前象棋程序相同的编程技术；但是，他之所以能够击败卡斯帕罗夫，主要是因为他是一台具有许多专用并行处理器的快速计算机。从某种意义上说，随着计算机的发展，国际象棋程序变得越来越不智能。
Deep Thought I, 1988 . Deep Thought, — , Deep Blue.
Deep Blue.
IBM Deep Blue ( , , , , . . ).
1997 Deep Blue (-).
在1980年代，深度优先搜索作为AI研究的主要主题已在下降。从1960年代开始，斯坦福大学的Ed Feigenbaum等研究人员创建了所谓的“专家系统”，其中大量的人类专家知识以if-then规则的形式注入了AI程序。与第一个启发式程序一样，这些规则已编程到软件代码中，但是与启发式系统不同，“知识基础”与程序的逻辑部分（“推理机”）分开。费根鲍姆（Feigenbaum）和其他专家系统的拥护者认为，“知识就是力量”。换句话说，他们认为庞大的知识库可以弥补复杂推理的不足：知识越多，搜索量就越少，反之亦然。
老虎在笼子里：应用知识库系统，Edward Feigenbaum演讲，1993年
在AAAI-17上讨论AI历史：专家系统，2017年
在1980年代，专家系统催生了许多商业公司。所有这些活动几乎都没有影响到象棋程序，而象棋程序当时正朝着不同的方向发展：借助专门设备回到蛮力搜索。这种类型的领先国际象棋游戏机是肯·汤普森（Ken Thompson）的贝尔实验室（Belle of Bell Labs）和两个独立的卡耐基梅隆大学项目：汉斯·柏林（Hans Berliner）的HiTech与冯雄旭（Feng Xiong Xu）以及默里·坎贝尔（Murray Campbell）的Deep Thought，后来成为IBM的Deep Blue。也就是说，当机器击败Kasparov时，象棋程序实际上已经不再与AI研究的一般领域相关联，尽管它们提供了很好的广告。
然而，更令人不安的是，到1990年代初，基于Newell和Simon的物理符号假设对一个符号AI项目的攻击。他的批评家，尤其是哲学家休伯特·德雷福斯（Hubert Dreyfus），在1960年代就开始质疑象征性AI的计划，认为脑与身体分离的哲学假设是不正确和过时的。 20世纪的哲学家，例如马丁·海德格尔（Martin Heidegger）认为，人类思想不能与身体经验和该主题的直接文化环境区分开。
AI研究人员对Dreyfus的批评做出了非常敏锐的反应（尽管他本人并不特别外交）：AI领域的主要权威在发表Dreyfus的著作时威胁到期刊。当擅长国际象棋的德雷福斯（Dreyfus）被理查德·格林布拉特（Richard Greenblatt）的MacHack国际象棋计划击败时，他们感到非常高兴。但是，国际象棋程序的成功并不能证明德雷福斯的批评是错误的。实际上，像Deep Blue这样的国际象棋程序就使用了蛮力搜索，这意味着它们在大型通用AI项目中几乎没有作用。卡斯帕罗夫震耳欲聋的惨案被誉为机器战胜人类的里程碑，但实际上，这是深蓝的工程师战胜一名国际象棋棋手。而且《深蓝》的创作者没有声称他们的计算机很智能。他们说：如果建筑物起火，卡斯帕罗夫将足够聪明以逃脱，汽车将留在原地。而且尽管先前AI的先驱John McCarthy认为国际象棋是AI的主要目标，但在Deep Blue获胜后，他批评国际象棋的事实是国际象棋未能发展出一种关于如何模仿人类智能的新理论。
媒体将1997年世界象棋冠军加里·卡斯帕罗夫（Garry Kasparov）与专业超级计算机IBM深蓝之间的重演描绘为人与机器之间的战斗。在《新闻周刊》的封面上，她被冠以“大脑的最后一道防线”。这样的观点夸大了计算机的功能，并最大程度地减少了制造计算机本身的人员的劳动。
到1990年代初期，研究人员开始认真对待Dreyfus的批评，并开始提出新型AI，例如那些有身体的AI，例如Rodney Brooks机器人4或处理情感的内容。正如我们将在本文的第二部分中看到的那样，在2000年代，一种完全不同的AI传统称为机器学习开始取代符号AI。机器学习能够执行象征性AI从未比人类做得更好的任务，例如识别面部或理解人类语音。这同样适用于机器无法通过启发式搜索（即“走”）进行竞争的游戏。
但是，尽管搜索失去了作为一种主要的AI技术的优势，但它从未失去在更广泛的计算机科学领域中的有用性。在改进搜索算法以优化和有效解决问题方面取得了重大进展。这种技术是如此基础，以至于决策树的创建和搜索极为广泛。几乎不可能列出所有使用它的程序。
从执行对数据库的查询到搜索网络，搜索在获取信息的任何任务中都扮演着重要角色。首先为Shakey机器人发明的*搜索算法SRI被广泛用于自动车辆选路和GPS应用。即使在今天，使用机器学习玩游戏的AI程序也使用不同类型的搜索，即使它不再是它们中最有趣的部分。但是，就像以前被认为是“人工智能”的其他技术一样，现代搜索被认为只是另一种基本计算机技术，没有比常规程序更智能的技术。这说明了AI开发的历史模式：一旦它成为标准的和自动的，人们就不再将其视为“智能”。早些时候，当我们谈论“ AI”时，它们很可能意味着搜索。今天提到“ AI”时，通常是指符号AI（机器学习）的后继者。
在本文的第二部分，我们将探讨人工智能领域的机器学习革命，深度学习与搜索和符号AI之间的差异深度，以及DeepMind的AlphaGo如何利用深度学习击败世界围棋大赛冠军Lee Sedol。
笔记
1. Nathan Ensmenger，“国际象棋是果蝇吗？”算法的社会史，《科学社会研究》第42期，第1期。 1（2012年2月）：22，https：//doi.org/10.1177/0306312711424596。
2.李开复，人工智能超级大国：中国，硅谷和新世界秩序。（波士顿;纽约：霍顿·米夫林·哈科特，2019年），第1-5页。
3. Stuart J. Russell和Peter Norvig，《人工智能：现代方法》，第三版，《人工智能的Prentice Hall系列》（新泽西州上萨德尔河，Pentice Hall，2010年），第110页
。4. Rodney A. Brooks，“大象不下棋，”机器人与自治系统，《设计自主代理人》，第6期，无。1（1990年6月1日）：3-15，https ://doi.org/10.1016/S0921-8890(05)80025-9 。
广告
如果您需要在Linux或Windows上具有即时激活功能的服务器才能正常工作，那么您一定来找我们-服务器在付款后一分钟就可以使用！
