O campeão mundial Garry Kasparov derrotou o computador IBM Deep Blue em 1996, mas foi derrotado em 1997, perdendo por 4-2.
A vitória de 1997 do computador IBM Deep Blue sobre o grande mestre e campeão mundial Garry Kasparov é considerada um divisor de águas triunfante na história da tecnologia, comparável ao pouso na lua. Ela parece ter demonstrado que os computadores podem vencer os humanos naquilo que se pensava ser exclusivo para nós: o pensamento 1 . As tecnologias simbólicas de IA usadas pelo computador DeepBlue agora são consideradas obsoletas, especialmente para jogos mais complexos como go, que foi inventado na China há dois mil e quinhentos anos. Mas em 2016, o World Go Champion Lee Sedol foi derrotado pelo sistema DeepMind AlphaGo AI do Google. O pesquisador e capitalista de risco Li Kaifu chamou este evento de "Momento Sputnik" para a China 2: Ele acredita que foi isso que levou a China a investir bilhões de dólares em pesquisas de IA, a fim de alcançar e talvez até superar os Estados Unidos. A vitória da AlphaGo ilustra o florescimento de um novo paradigma de IA - aprendizado profundo e redes neurais - que está no cerne da revolução da IA moderna.
Por que os jogos eram como o xadrez e se tornaram tão importantes na história da IA? Os pioneiros da pesquisa em inteligência artificial, incluindo Herbert Simon, Allen Newell, John McCarthy e Marvin Minsky, viam a inteligência humana através do prisma tradicional da filosofia ocidental, cujas bases foram lançadas por Aristóteles. Essa visão masculina e eurocêntrica da inteligência, enraizada na divisão cartesiana da mente e do corpo, priorizou as habilidades cerebrais - lógica, matemática e a capacidade de resolver problemas às custas das formas de inteligência corporal, emocional, social e cultural. Eles acreditavam que se a Razão (ou seja, a Lógica) distingue o Homem da Besta, então é a Lógica que deve ser a base da inteligência.
Blaise Pascal foi um filósofo e matemático. Na década de 1640, ele inventou uma máquina capaz de realizar somas para ajudar seu pai, um cobrador de impostos.
Muitos filósofos e matemáticos ocidentais, de Blaise Pascal a George Boole e Bertrand Russell, procuraram tornar a computação / lógica, que eles igualaram ao próprio pensamento, mais rigorosa matematicamente (mais "formal"), ou dar o próximo passo - mecanizá-la. O próprio Pascal fez uma máquina de computação para esse fim, e o ponto culminante desse impulso do pensamento ocidental foi a invenção do computador digital no século XX. Os pioneiros da pesquisa de IA nas décadas de 1950 e 1960 viam os jogos como outra forma de os humanos demonstrarem inteligência resolvendo problemas. Se os pesquisadores de IA pudessem simular como os jogadores fazem isso, eles poderiam automatizar esse processo. O ramo da matemática chamado teoria dos jogos, aplicado à economia e aos assuntos militares, foi fundado pelo matemático e pioneiro da computação John von Neumann;proporcionou otimização de estratégias e algoritmos amplamente utilizados na ciência da computação. O pioneiro da IA, Herbert Simon, aplicou essas teorias à ciência da computação e à economia (na qual ganhou o Prêmio Nobel). Portanto, a ideia de que os jogos podem modelar seriamente aspectos do mundo real foi fundamental para os primeiros dias da ciência da computação. Em particular, como os primeiros computadores tinham dificuldade em simular a complexidade do mundo real, os jogos eram considerados um “micromundo” simplificado, cujas limitações e regras eram bem compreendidas pelos computadores que possibilitaram o rápido progresso na década de 1960.Consequentemente, a ideia de que os jogos podem simular seriamente aspectos do mundo real foi fundamental para os primeiros dias da ciência da computação. Em particular, como os primeiros computadores tinham dificuldade em simular a complexidade do mundo real, os jogos eram considerados um "micromundo" simplificado, cujas limitações e regras eram bem compreendidas pelos computadores que possibilitaram o rápido progresso na década de 1960.Portanto, a ideia de que os jogos podem modelar seriamente aspectos do mundo real foi fundamental para os primeiros dias da ciência da computação. Em particular, como os primeiros computadores tinham dificuldade em simular a complexidade do mundo real, os jogos eram considerados um “micromundo” simplificado, cujas limitações e regras eram bem compreendidas pelos computadores que possibilitaram o rápido progresso na década de 1960.
A máquina de xadrez Turok de Wolfgang von Kempelen, controlada por um jogador vivo escondido dentro dela.
O xadrez, em particular, tem sido historicamente considerado o pináculo da atividade intelectual no Ocidente. Foi um jogo intelectual associado à lógica e à estratégia. Pense no Sr. Spock de Star Trekderrotar jogadores humanos no xadrez 3D. Já no século 18, a elite europeia era fascinada pela ideia de máquinas capazes de jogar xadrez. Wolfgang von Kempelen ficou famoso por seu "Mechanical Turk", uma máquina de xadrez feita para a imperatriz austríaca Maria Theresa e derrotando Benjamin Franklin e Napoleão. Mais tarde, descobriu-se que o "turco" era uma farsa e um player ao vivo estava escondido dentro dele; no entanto, ele atingiu a imaginação de Edgar Allan Poe e Charles Babbage. O interesse pelo xadrez como indicador de inteligência estendeu-se aos matemáticos que criaram as bases para a teoria da computação no século 20: Alan Turing, Claude Shannon, John von Neumann, Norbert Wiener e, é claro, os pioneiros de AI Herbert Simon, Allen Newell e John McCarthy. Em particular, Newell e Simon consideraram o xadrez um desafio modelo para IA,perfeito para sua solução preferida: pesquisa.
1947 .
MIT Bell Labs () 1950 , . MIT ( ). (. 1950 ).
, , 1980 .
O que é pesquisa e como você pode usá-la ao jogar xadrez? No contexto da IA, pesquisa não significa pesquisar texto na web usando o Google (embora um mecanismo de pesquisa na web possa usar o conceito de pesquisa em um contexto de IA). Na IA, pesquisa refere-se ao processo de tentativa e erro ao percorrer as soluções possíveis para um problema. A pesquisa é um dos métodos fundamentais da IA clássica, também conhecida como IA "simbólica", porque tais métodos envolvem a manipulação de listas de símbolos, por exemplo, na solução de problemas algébricos. Todos os tipos de processos de solução de problemas, como prova de teoremas, solução de quebra-cabeças, jogos e solução de labirintos, envolvem decidir o que tentar primeiro. Essas escolhas podem ser modeladas como uma árvore de decisão ramificada.
.
-. , , - «».
Digamos que precisamos criar um rato robô procurando uma maneira de sair de um labirinto (aproximadamente o que Claude Shannon fez em 1950). Se ela atingir um cruzamento com quatro portas, ela pode se mover para a direita, para a frente e para a esquerda, mas ela está proibida de voltar. Isso nos dá três opções possíveis. Os cientistas da computação diriam que um mouse tem um “fator de ramificação” de 3. A maneira mais simples de programar um computador para percorrer (resolver) um labirinto seria verificar cada opção, ou ramificação, por vez. Isso é chamado de busca de força bruta: testamos todas as variações. No entanto, nosso mouse irá, é claro, ir para mais um cruzamento antes de ter a oportunidade de voltar para verificar todas as outras opções no primeiro cruzamento. Cada vez que ela chega a um novo cruzamentoo mouse pode escolher entre mais três novos caminhos. Podemos definir o número de cruzamentos que o mouse pode pesquisar em profundidade antes de voltar e tentar um caminho diferente.
Claude Shannon move seu mouse elétrico em um labirinto (c. 1952).
Isso é conhecido como profundidade de pesquisa e, no contexto do jogo, "olhar para a frente". Como você pode ver, o número de caminhos que precisam ser pesquisados pelo mouse cresce muito rapidamente: como 3 (o fator de ramificação), multiplicado por ele mesmo quantas vezes verificarmos de forma proativa na árvore de decisão. Em outras palavras, o problema está crescendo exponencialmente. Na indústria de IA, isso é frequentemente referido como o problema da "explosão combinatória".
O tabuleiro de xadrez nas primeiras teorias
Um método semelhante pode ser usado no xadrez também. Em cada movimento do jogador, temos uma escolha de um máximo de 38 movimentos permitidos possíveis, ou seja, o problema do xadrez tem um fator de ramificação de 38. Para selecionar o melhor desses 38 movimentos, um método quantitativo é usado para avaliar o benefício relativo de uma posição de xadrez em relação a outra. Isso é chamado de “função de pontuação”. O jogo de xadrez médio leva 42 lances e, como há dois jogadores, isso precisa ser multiplicado por dois, o que nos dá aproximadamente 38 84 - mais do que o número de estrelas no universo. Mesmo nos primeiros estágios da história da IA, ficou claro que essa busca por força bruta de xadrez e outras tarefas simplesmente não funcionaria no equipamento da época; existem muitas opções e os computadores são muito fracos. Claude Shannon foi um dos primeiros a usar o algoritmo "minimax "em um programa de xadrez de computador (este algoritmo ainda é a base da maioria dos programas de xadrez), tendo percebido que, graças ao conhecimento humano e à experiência no jogo, você pode cortar rapidamente muitos ramos sem olhar para eles. Herbert Simon e Allen Newell sugeriram o uso de" heurísticas ", ou regras básicas que os humanos usam parcialmente ao resolver problemas, na maioria das vezes funcionam, mas isso nem sempre acontece. Heurísticas são o tipo de conhecimento humano que pode ser programado em um computador.
Xadrez
O xadrez tem muito mais ramificações em sua árvore de decisão do que o jogo da velha. Foi calculado que o número de variantes dos jogos de xadrez é aproximadamente igual a 10 120 , que é mais do que o número de átomos no universo.
Antecipação limitada
Dado o grande número de ramificações, os programas de xadrez podem olhar para a frente na árvore de pesquisa apenas até uma profundidade finita, caso contrário, a pesquisa durará para sempre.
Uma dessas heurísticas que se provou útil no xadrez é o " corte alfa-beta". Isso significa que se o programa determinou que um dos movimentos pode ser facilmente neutralizado pelo inimigo, então não há necessidade de procurar outras maneiras de neutralizar o mesmo movimento. Pesquisas adicionais ao longo deste caminho podem ser ignoradas, cortando todo o galho da árvore Isso pode reduzir significativamente o fator de ramificação, de 38 para 6, e às vezes para 3. Além disso, dadas as limitações dos computadores na época, a maioria dos programas só conseguia olhar 4 jogadas à frente. Um dos primeiros programas de xadrez capazes de jogar competentemente contra amadores , foi criado por volta de 1959-1962 pelo estudante do MIT Alan Kotok sob a direção de John McCarthy. O programa Kotoka-McCarthy usava recorte alfa-beta.
, IBM 7090 . , - . 1967 , , 3-1 .
1959 MIT , . , , . . 1962 .
Newell e Simon acreditavam que todos os problemas de IA, como xadrez, poderiam ser resolvidos por pesquisa em combinação com heurística, ou "pesquisa heurística". A pesquisa heurística foi a ideia central por trás das descobertas iniciais de Newell e Simon, o Logic Theorist e General Problem Solver, e se tornou um pilar crítico em sua teoria de que a inteligência para humanos e máquinas reside na simples manipulação de símbolos, os blocos de construção fundamentais. matemática e linguagem. Essa hipótese do “sistema físico de símbolos” tornou-se a premissa sobre a qual todo o projeto de inteligência artificial simbólica foi baseado, desde seu início na década de 1950 até o início de 2000. Essa teoria, que postulava a equivalência do "cérebro" de computadores e humanos, tornou-se extremamente influente na psicologia cognitiva.e mais tarde até entrou na cultura popular graças a trabalhos no gênero cyberpunk, nos quais as pessoas podiam carregar seus cérebros para a Internet ou substituí-los por chips.
() , -, Logic Theorist, General Problem Solver NSS ( --). JOHNNIAC RAND.
Os computadores ficaram mais rápidos e os cientistas da computação que eram eles próprios jogadores de xadrez experientes, como Richard Greenblatt e Hans Berliner, criaram seus próprios programas de xadrez. Eles descobriram que os primeiros programas de xadrez (como o escrito por Kotok) jogavam muito mal e adicionaram seus próprios conhecimentos de como jogadores reais abordam o jogo aos seus programas; esse conhecimento tomou a forma de heurísticas adicionais para melhorar a estimativa da posição das peças, bancos de dados de jogadas de abertura e finais de jogos e reconhecedores de padrões do campo de jogo. Com o tempo, entretanto, ficou claro que os programas de xadrez executados em computadores mais rápidos ou em equipamentos especializados podem superar os programas que possuem uma grande quantidade de conhecimento humano embutido. Isso aconteceu porque nenhuma heurística é perfeita e não pode dar conta de todas as situações.Às vezes, movimentos engenhosos surgem porque o jogador está tentando fazer algo que a maioria das pessoas consideraria um movimento ruim. A maioria das heurísticas cortaria tal movimento sem pesquisa adicional, o que significa que programas que usam conhecimento humano nunca fariam tal movimento.
Hans Berliner (fundo), Murray Campbell (esquerda) e Feng Xiong Xu no 20º Campeonato Anual de Xadrez de Computador ACM em Reno, Nevada. O primeiro lugar foi dividido por duas equipes - HiTech (equipe de Berliner) e Deep Thought (equipe de Campbell e Xu); ambos representavam a Carnegie Mellon University. Três membros da equipe Deep Thought (incluindo Campbell e Xu) foram posteriormente contratados pela IBM para criar o Deep Blue.
Quando os computadores ficaram mais rápidos, eles foram capazes de olhar para frente mais profundamente, 6, 7, 8 movimentos, derrotando facilmente programas que previam apenas 4 movimentos à frente. Um algoritmo de pesquisa mais eficiente foi descoberto, denominado "pesquisa de aprofundamento iterativa"; ele poderia aumentar gradualmente a profundidade da pesquisa ao longo do caminho que parecia mais promissor. Foi usado pela primeira vez no Xadrez 4.5.3 David Slate e Larry Atkins - o primeiro programa a vencer o torneio de xadrez humano de 1976. O aumento da capacidade de memória também permitiu que os programas mantivessem as posições revisadas anteriormente, reduzindo ainda mais a quantidade de pesquisas necessárias. Todas essas inovações (poda alfa-beta, aprofundamento iterativo, armazenamento de posições verificadas e um banco de dados de aberturas e jogos finais) foram trocadas livremente pelos desenvolvedores de programas de xadrez em torneios de xadrez de computador, então se tornaram técnicas padrão.
Em 1977, Ken Thompson (mais conhecido como o co-inventor do sistema operacional Unix) e Joe Condon dos Laboratórios Bell projetaram a Belle, uma máquina de xadrez especializada. O equipamento de xadrez especializado de Belle e o banco de dados de jogos finais revolucionaram o xadrez de computador.
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.
Apesar dos avanços em software, com o aumento da velocidade dos computadores na década de 1970, os programas de xadrez ficaram automaticamente melhores sem nenhuma inovação de software. Na década de 1980, o fator dominante nos avanços no xadrez por computador foi o uso de hardware para acelerar as pesquisas. Eles se tornaram um desafio de design de computador, não um desafio de IA. Em 1997, o Deep Blue ainda usava amplamente as mesmas técnicas de programação dos programas de xadrez 20 anos antes; no entanto, ele conseguiu derrotar Kasparov principalmente porque ele era um computador rápido com muitos processadores paralelos especializados. Em certo sentido, à medida que os computadores aumentaram de velocidade, os programas de xadrez tornaram-se menos inteligentes.
Deep Thought I, 1988 . Deep Thought, — , Deep Blue.
Deep Blue.
IBM Deep Blue ( , , , , . . ).
1997 Deep Blue (-).
Na década de 1980, a pesquisa em profundidade como o tópico dominante na pesquisa de IA já estava em declínio. Começando na década de 1960, pesquisadores como Ed Feigenbaum, em Stanford, criaram os chamados “sistemas especialistas”, nos quais grandes quantidades de conhecimento especializado humano foram despejados em programas de IA na forma de regras se-então. Como no caso dos primeiros programas heurísticos, essas regras foram programadas no código do software, mas, ao contrário dos sistemas heurísticos, a "base de conhecimento" foi separada das partes lógicas do programa ("máquinas de inferência"). Feigenbaum e outros adeptos dos sistemas especialistas argumentaram que "conhecimento é poder". Em outras palavras, eles acreditavam que uma grande base de conhecimento compensa a falta de raciocínio complexo: quanto mais conhecimento, menos pesquisa e vice-versa.
Tiger in a Cage: Aplicando Sistemas de Base de Conhecimento, palestra de Edward Feigenbaum, 1993
Discussão da história da IA na AAAI-17: sistemas especialistas, 2017
Na década de 1980, os sistemas especialistas geraram muitas empresas comerciais. Toda essa atividade quase não afetou os programas de xadrez, que naquela época se desdobravam em outra direção: de volta à busca de força bruta com a ajuda de equipamentos especializados. As principais máquinas de xadrez desse tipo eram Belle of Bell Labs de Ken Thompson e dois projetos separados da Carnegie Mellon University: HiTech de Hans Berliner com Feng Xiong Xu e Deep Thought de Murray Campbell, que mais tarde evoluiu para Deep Blue da IBM. Ou seja, na época em que a máquina derrotou Kasparov, os programas de xadrez praticamente deixaram de ser associados ao campo geral da pesquisa de IA, embora fornecessem boa publicidade.
Mais preocupante, no entanto, foi o ataque a um projeto simbólico de IA baseado na hipótese do símbolo físico de Newell e Simon no início dos anos 1990. Seus críticos, em particular o filósofo Hubert Dreyfus, começaram a questionar o projeto da IA simbólica na década de 1960, argumentando que a suposição filosófica da separação do cérebro e do corpo estava incorreta e desatualizada. Filósofos do século 20, como Martin Heidegger, argumentaram que o pensamento humano não pode ser separado da experiência corporal e do ambiente cultural imediato do sujeito.
Os pesquisadores de IA reagiram de forma muito aguda às críticas a Dreyfus (embora ele próprio não fosse particularmente diplomático): as principais autoridades no campo da IA ameaçaram os periódicos quando publicaram o trabalho de Dreyfus. Eles se regozijaram quando Dreyfus, que não era muito bom em xadrez, foi derrotado pelo programa de xadrez MacHack de Richard Greenblatt. No entanto, o sucesso dos programas de xadrez não provou que as críticas de Dreyfus estavam erradas. Na verdade, o próprio fato de programas de xadrez como o Deep Blue usarem a busca de força bruta significava que eles não desempenhavam um papel especial no projeto mais amplo de IA de uso geral. O drama da derrota estrondosa de Kasparov foi saudado como um marco para a vitória de Machines over Man, mas na realidade foi um triunfo dos engenheiros do Deep Blue sobre um jogador de xadrez. E os criadores do Deep Blue não reivindicaramque seu computador era inteligente. Eles disseram: se um incêndio começasse no prédio, Kasparov seria inteligente o suficiente para escapar, e o carro permaneceria no lugar. E embora o pioneiro da IA John McCarthy anteriormente considerasse o xadrez como o principal objetivo da IA, após a vitória do Deep Blue, ele criticou o xadrez pelo fato de não ter conseguido desenvolver uma única teoria nova sobre como imitar a inteligência humana.
A mídia retratou o replay de 1997 entre o campeão mundial de xadrez Garry Kasparov e o supercomputador especializado IBM Deep Blue como uma batalha entre homem e máquina. Na capa da Newsweek, ela foi apelidada de "A Última Linha de Defesa do Cérebro". Essas visões exageraram o poder do computador e minimizaram o trabalho das pessoas que construíram a própria máquina.
No início da década de 1990, os pesquisadores começaram a levar a sério as críticas de Dreyfus e começaram a criar novos tipos de IA, como aquelas que enfaticamente têm um corpo, como os robôs de Rodney Brooks 4, ou aqueles que lidam com emoções. Como veremos na segunda parte deste artigo, nos anos 2000, uma tradição completamente diferente de IA chamada aprendizado de máquina começou a substituir a IA simbólica. O aprendizado de máquina é capaz de realizar tarefas que a IA simbólica nunca fez melhor do que os humanos, como reconhecer rostos ou compreender a fala humana. O mesmo acontecia com um jogo em que as máquinas não podiam jogar competitivamente com a pesquisa heurística, a saber, go.
No entanto, embora a pesquisa tenha perdido sua grandeza como técnica primária de IA, ela nunca perdeu sua utilidade no campo mais amplo da ciência da computação. Um progresso significativo foi feito no aprimoramento dos algoritmos de pesquisa para a solução ideal e eficiente de problemas. Essa técnica é tão fundamental que a criação e busca de árvores de decisão é extremamente difundida; é quase impossível listar todos os programas que o utilizam.
A pesquisa desempenha um papel em qualquer tarefa de obtenção de informações, desde a execução de consultas em bancos de dados até a pesquisa na web. Um * algoritmo de pesquisa inventado pela primeira vez para o robô ShakeySRI é amplamente utilizado para roteamento de veículos autônomos e aplicações GPS. E ainda hoje, os programas de IA que executam jogos usando aprendizado de máquina usam diferentes tipos de pesquisa, mesmo que ela não seja mais o componente mais interessante deles. No entanto, como outras técnicas que costumavam ser consideradas "inteligência artificial", a pesquisa moderna é considerada apenas mais uma técnica computacional básica, não mais inteligente do que um programa normal. Isso ilustra o padrão histórico de desenvolvimento de IA: uma vez que se torna padrão e automático, as pessoas não o consideram mais como "inteligência". Anteriormente, quando falamos sobre "IA", eles provavelmente se referiam a pesquisa. Quando “IA” é mencionada hoje, geralmente se refere ao sucessor da IA simbólica - aprendizado de máquina.
Na segunda parte deste artigo, exploraremos a revolução do aprendizado de máquina em inteligência artificial, a profundidade da diferença entre aprendizado profundo versus pesquisa e IA simbólica e como o AlphaGo da DeepMind usou o aprendizado profundo para derrotar o campeão mundial Lee Sedol.
Notas
1. Nathan Ensmenger, “Is Chess the Drosophila of Artificial Intelligence? A Social History of an Algorithm ”, Social Studies of Science 42, no. 1 (fevereiro de 2012): 22, https://doi.org/10.1177/0306312711424596 .
2. Kai-Fu Lee, AI Superpowers: China, Silicon Valley, and the New World Order. (Boston; Nova York: Houghton Mifflin Harcourt, 2019), 1-5.
3. Stuart J. Russell e Peter Norvig, Artificial Intelligence: A Modern Approach , 3ª ed., Prentice Hall Series in Artificial Intelligence (Upper Saddle River, NJ: Pentice Hall, 2010), 110.
4. Rodney A. Brooks, “ Elefantes não jogam xadrez ”, Robotics and Autonomous Systems, Projetando Agentes Autônomos, 6, no. 1 (1 de junho de 1990): 3-15, https://doi.org/10.1016/S0921-8890(05)80025-9 .
Publicidade
Se você precisa de servidores com ativação instantânea no Linux ou Windows para funcionar , então você definitivamente vem até nós - o servidor está pronto para funcionar em um minuto após o pagamento!
