Deep Blue i Watson: triumfy symboliki przed deep learningiem

🎯 Po co Ci to?

Rok 1997: mistrz świata w szachach, Garri Kasparow, przegrywa mecz z komputerem. Rok 2011: dwaj najlepsi na świecie gracze teleturnieju Jeopardy! przegrywają z programem komputerowym w zadaniach opartych na języku naturalnym i wiedzy ogólnej. Te dwa wydarzenia — Deep Blue i Watson — są spektakularnym domknięciem całej ery symbolicznej sztucznej inteligencji zapoczątkowanej w Dartmouth (dział 6). To ostatnie wielkie zwycięstwa podejścia opartego na jawnych regułach i przeszukiwaniu, zanim pałeczkę przejmie zupełnie inna filozofia budowy inteligentnych maszyn.

✅ Czego się nauczysz

Po tej lekcji potrafisz:

opisać, jak działał Deep Blue i dlaczego jego zwycięstwo nad Kasparowem było przełomowe;
wyjaśnić, na czym polegał Watson i jakie techniki symboliczne wykorzystywał do udzielania odpowiedzi w Jeopardy!;
umiejscowić oba te osiągnięcia jako ostatnie wielkie triumfy symbolicznej AI przed nadejściem ery głębokiego uczenia.

🔁 Przypomnij sobie

Wróć do jednostki 6.4 — pamiętasz algorytm minimax w programie Samuela do warcabów? Deep Blue to, w pewnym uproszczeniu, znacznie potężniejsza, bardziej wyrafinowana wersja tej samej podstawowej idei, zastosowana do szachów — gry o wiele bardziej złożonej niż warcaby.

📘 Wyjaśnienie — Deep Blue

W 1997 roku komputer Deep Blue, zbudowany przez zespół inżynierów IBM, pokonał ówczesnego mistrza świata w szachach, Garriego Kasparowa, w oficjalnym meczu rewanżowym (rok wcześniej, w 1996 roku, Kasparow wygrał pierwszy pojedynek z wcześniejszą wersją maszyny). Było to pierwsze w historii pokonanie panującego mistrza świata w szachach przez komputer w regulaminowym meczu, przy standardowych zasadach kontroli czasu.

Rewanż rozegrany w maju 1997 r. w Nowym Jorku śledził cały świat. W drugiej partii komputer odrzucił „oczywiste" zbicie pionka i zagrał pozycyjnie, jak doświadczony człowiek — Kasparow był tak wstrząśnięty, że poddał partię (jak się później okazało, w pozycji, którą mógł jeszcze zremisować) i publicznie zasugerował, że maszynie pomagał ukryty arcymistrz. Zażądał kolejnego meczu; IBM odmówił i rozmontował Deep Blue. Pikanterii całej historii dodaje hipoteza samych inżynierów IBM, że zagadkowy, „ludzki" ruch z końcówki pierwszej partii mógł być skutkiem błędu w programie — postawiona w sytuacji bez jednoznacznej oceny maszyna wybrała ruch awaryjnie, niemal losowo, a Kasparow doszukał się w nim głębi, która odebrała mu pewność siebie. Tak czy inaczej 11 maja 1997 r. mistrz świata przegrał z maszyną cały mecz 2,5–3,5.

Deep Blue w Computer History Museum · źródło: fot. Anton Chiang, Wikimedia Commons, CC BY 2.0

Reportaż BBC o meczu Deep Blue — Kasparow (1997)

Deep Blue nie był oparty na uczeniu maszynowym w dzisiejszym sensie — nie „uczył się" grać, oglądając miliony partii, jak robią to współczesne systemy oparte na sieciach neuronowych (poznasz je w dalszych działach tej książki). Zamiast tego wykorzystywał przeszukiwanie drzewa gry metodą minimax (dokładnie tę samą ideę co program Samuela z jednostki 6.4, tylko w znacznie bardziej rozbudowanej formie), wspomagane specjalistycznym sprzętem zaprojektowanym do bardzo szybkiego obliczania milionów możliwych pozycji szachowych na sekundę, oraz obszerną, ręcznie skonstruowaną przez arcymistrzów szachowych funkcją oceny pozycji, uwzględniającą setki czynników strategicznych (kontrola centrum, bezpieczeństwo króla, struktura pionków i wiele innych).

💭 Pomyśl: Skoro Deep Blue nie „uczył się" grać w szachy w sensie uczenia maszynowego, na czym właściwie polegała jego „inteligencja"? Czy przypomina Ci to bardziej system ekspertowy (jednostka 7.1), czy raczej coś zupełnie innego?

Sprawdź odpowiedź

Deep Blue przypomina system ekspertowy w tym sensie, że jego „wiedza" o tym, co czyni pozycję szachową dobrą lub złą, została w dużej mierze ręcznie zakodowana przez ludzkich ekspertów (arcymistrzów szachowych współpracujących z zespołem inżynierów), a nie „wyuczona" automatycznie z danych. Różnica polega na tym, że Deep Blue łączył tę ręcznie skonstruowaną wiedzę oceniającą z ogromną mocą obliczeniową do przeszukiwania drzewa możliwych ruchów — coś, czego typowe systemy ekspertowe (jak MYCIN czy XCON) nie robiły na taką skalę, bo ich zadania nie wymagały przewidywania milionów przyszłych stanów gry. To rodzaj hybrydy: symboliczna, ręcznie zakodowana wiedza ekspercka połączona z brutalną mocą obliczeniową przeszukiwania.

📐 DEFINICJA — Deep Blue (IBM, 1997): superkomputer szachowy, który jako pierwsza maszyna w historii pokonał panującego mistrza świata (Garriego Kasparowa) w regulaminowym meczu; działał metodą przeszukiwania drzewa gry (minimax) wspomaganego wyspecjalizowanym sprzętem i ręcznie skonstruowaną funkcją oceny pozycji — bez uczenia maszynowego w dzisiejszym sensie.

📘 Wyjaśnienie — Watson

Czternaście lat później, w 2011 roku, kolejny system IBM o nazwie Watson zmierzył się z zupełnie innym wyzwaniem: amerykańskim teleturniejem Jeopardy!, w którym uczestnicy muszą odpowiadać na pytania (a właściwie: podawać pytania do podanych odpowiedzi) dotyczące niemal dowolnej dziedziny wiedzy, sformułowane często w zawiłej, dwuznacznej, pełnej gier słownych formie języka naturalnego. Watson pokonał dwóch najlepszych w historii graczy tego teleturnieju, Kena Jenningsa i Brada Ruttera.

W przeciwieństwie do szachów (gry o w pełni znanych, formalnych zasadach), Jeopardy! wymagało zmierzenia się z niejednoznacznością języka naturalnego — grami słownymi, metaforami, ukrytymi wskazówkami kontekstowymi. Watson łączył wiele technik symbolicznych jednocześnie: przetwarzanie i analizę języka naturalnego (rozbijanie pytania na elementy składniowe i semantyczne), przeszukiwanie ogromnych, ustrukturyzowanych i nieustrukturyzowanych baz wiedzy (encyklopedie, słowniki, artykuły), generowanie wielu hipotez odpowiedzi równolegle, a następnie ocenę wiarygodności (poziomu pewności) każdej z tych hipotez, zanim system decydował się na ostateczną odpowiedź.

📐 DEFINICJA — Watson (IBM, 2011): system komputerowy, który pokonał najlepszych ludzkich graczy w teleturnieju Jeopardy!, łączący przetwarzanie języka naturalnego, przeszukiwanie ogromnych baz wiedzy oraz probabilistyczną ocenę wiarygodności wielu równolegle generowanych hipotez odpowiedzi.

Po ludzku: Watson nie „wiedział" odpowiedzi z góry jak człowiek znający fakt — dla każdego pytania generował całą listę możliwych odpowiedzi, sprawdzał, na ile każda z nich pasuje do wskazówek zawartych w pytaniu, i wybierał tę, której był najbardziej pewien, tylko jeśli ta pewność przekraczała pewien próg.

Watson miał też swoją chwilę kompromitacji — na oczach milionów widzów. W finałowym pytaniu z kategorii „miasta USA" (chodziło o miasto, którego największy port lotniczy nosi imię bohatera II wojny światowej) odpowiedział: „What is Toronto?????" — wskazując miasto leżące… w Kanadzie. Na szczęście postawił znikomą stawkę: system „wiedział, że nie wie", a pięć znaków zapytania było śladem jego niepewności. Klasę zachował za to pokonany Ken Jennings, który pod swoją finałową odpowiedzią dopisał: „Ja, jako jeden z pierwszych, witam naszych nowych komputerowych władców".

Stanowisko IBM Watson z teleturnieju Jeopardy! · źródło: fot. Atomic Taco, Wikimedia Commons, CC BY-SA 2.0

Finałowa wpadka Watsona — „What is Toronto?????" (Jeopardy!, 2011)

🕰️ Oś czasu działu 7

Lata 80. — boom systemów ekspertowych i LISP machines.
1982 — Japonia ogłasza Projekt Piątej Generacji Komputerów.
Koniec lat 80. — druga zima AI: upadek rynku systemów ekspertowych, konkurencja PC i baz danych.
1992 — koniec Projektu Piątej Generacji, bez osiągnięcia pierwotnych celów.
1997 — Deep Blue (IBM) pokonuje Garriego Kasparowa w szachach.
2011 — Watson (IBM) pokonuje najlepszych graczy w teleturnieju Jeopardy!.

⚠️ Uwaga, pułapka

Łatwo pomyśleć, że skoro Deep Blue i Watson odniosły spektakularne, medialnie nagłośnione zwycięstwa, symboliczna sztuczna inteligencja „wygrała" ostatecznie i na trwałe. W rzeczywistości oba te systemy — mimo swojej imponującej skuteczności w bardzo konkretnych, dobrze zdefiniowanych zadaniach (szachy z formalnymi regułami; pytania faktograficzne z jasną strukturą odpowiedzi) — wciąż wymagały ogromnej ilości ręcznie skonstruowanej wiedzy eksperckiej i wyspecjalizowanego inżynieringu pod konkretne zadanie. Nie były to systemy ogólne, zdolne do samodzielnego uczenia się nowych dziedzin z surowych danych. Właśnie ta cecha — konieczność ręcznego „wstrzykiwania" wiedzy przez inżynierów, zamiast automatycznego uczenia się jej z danych — jest tym, co w kolejnej dekadzie zacznie ustępować miejsca zupełnie innemu podejściu: sieciom neuronowym i głębokiemu uczeniu, opisanym w kolejnych działach tej książki. Deep Blue i Watson są więc najlepiej rozumiane nie jako „szczyt rozwoju AI w ogóle", lecz jako szczytowe, najbardziej dopracowane osiągnięcia jednej konkretnej filozofii budowania inteligentnych maszyn — tej samej, która narodziła się w Dartmouth w 1956 roku.

📌 Najważniejsze w pigułce

Deep Blue (IBM, 1997) pokonał mistrza świata Garriego Kasparowa w szachach metodą przeszukiwania minimax wspomaganego ręcznie skonstruowaną funkcją oceny pozycji.
Watson (IBM, 2011) pokonał najlepszych graczy Jeopardy!, łącząc przetwarzanie języka naturalnego, przeszukiwanie baz wiedzy i probabilistyczną ocenę hipotez.
Żaden z systemów nie wykorzystywał uczenia maszynowego z surowych danych w dzisiejszym sensie — oba opierały się na ręcznie skonstruowanej wiedzy eksperckiej i inżynierii pod konkretne zadanie.
Oba osiągnięcia są ostatnimi wielkimi triumfami symbolicznej AI, zanim scenę przejmą sieci neuronowe i głębokie uczenie.
Pułapka: spektakularne zwycięstwo w wąskim, dobrze zdefiniowanym zadaniu nie oznacza ogólnej, uniwersalnej inteligencji systemu.

🎒 Zadania

Zadanie 7.7.1. Porównaj Deep Blue z programem Arthura Samuela do gry w warcaby (jednostka 6.4). Wskaż jedno podobieństwo strukturalne (ten sam rodzaj algorytmu) i jedną kluczową różnicę (skala, sprzęt, czy sposób konstruowania funkcji oceny).

Sprawdź odpowiedź

Podobieństwo: oba systemy wykorzystują tę samą podstawową ideę algorytmu minimax — przeszukiwanie drzewa możliwych ruchów przy założeniu, że przeciwnik zawsze gra optymalnie, wybierając ruch minimalizujący najgorszy możliwy scenariusz. Różnica: program Samuela z lat 50. poprawiał swoją funkcję oceniającą automatycznie, na podstawie wyników wcześniej rozegranych partii (co dało początek terminowi „machine learning"), podczas gdy funkcja oceny Deep Blue była w ogromnej mierze ręcznie skonstruowana i dostrajana przez zespół inżynierów we współpracy z arcymistrzami szachowymi, a moc obliczeniowa i skala przeszukiwania (miliony pozycji na sekundę, dzięki dedykowanemu sprzętowi) były nieporównanie większe niż cokolwiek dostępnego w latach 50.

Zadanie 7.7.2. Watson musiał radzić sobie z niejednoznacznością języka naturalnego (gry słowne, metafory) — czymś, czego szachy (Deep Blue) w ogóle nie wymagały, bo mają w pełni formalne, jednoznaczne zasady. Dlaczego zadanie Watsona było, w pewnym sensie, technicznie trudniejsze niż zadanie Deep Blue, mimo że oba systemy powstały w tej samej firmie i korzystały z podobnej filozofii symbolicznej?

Sprawdź odpowiedź

Szachy mają w pełni sformalizowane, jednoznaczne zasady — każdy możliwy ruch, każda pozycja i każdy wynik gry są precyzyjnie zdefiniowane matematycznie, co czyni je (mimo ogromnej złożoności obliczeniowej) zadaniem o czystej, jednoznacznej strukturze. Język naturalny, z którym mierzył się Watson, nie ma takiej jednoznacznej struktury — te same słowa mogą mieć wiele znaczeń w zależności od kontekstu, pytania w Jeopardy! celowo zawierają gry słowne i niejednoznaczności, a „poprawna" odpowiedź często wymaga rozpoznania subtelnych wskazówek kontekstowych, których nie da się sprowadzić do prostych, formalnych reguł tak łatwo jak zasady szachowe. To dlatego Watson musiał łączyć wiele różnych technik naraz (analiza językowa, przeszukiwanie wiedzy, probabilistyczna ocena pewności odpowiedzi) — pojedynczy, czysto formalny algorytm przeszukiwania (jak w Deep Blue) nie wystarczał do zmierzenia się z nieformalną, wieloznaczną naturą języka naturalnego.

🔍 Sprawdź, czy umiesz

[ ] Opisać, jak działał Deep Blue i na czym polegało jego zwycięstwo nad Kasparowem.
[ ] Wyjaśnić, jakie techniki symboliczne wykorzystywał Watson do odpowiadania na pytania w Jeopardy!.
[ ] Wyjaśnić, dlaczego oba systemy uznaje się za ostatnie wielkie triumfy symbolicznej AI, a nie za dowód ogólnej inteligencji maszynowej.
[ ] Porównać Deep Blue z wcześniejszym programem Samuela (jednostka 6.4), wskazując podobieństwo i różnicę.

CZĘŚĆ III — Jak maszyna się uczy

Ucz się tej jednostki z asystentem