我是团队的AI专家。1990年前期的AI和1989年的AI大不一样。我们现在一般称那段时期很小一部分基于机器学习的AI为老式AI，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。

我是IBM当时接触的卡内基梅隆大学研究生团队中的一员。很早之前我就对计算机象棋非常感兴趣，本科期间还写过一个国际象棋程序。在C.M.U.期间，我对人工智能有了更广泛地了解，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。

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。

数十年来，计算机科学家都把国际象棋作为AI进步的标杆。早在上世纪70年代后期，下国际象棋的计算机就已经出现，不过，直到十年后的1989年，卡内基梅隆大学的研究生团队才开发出了第一台象棋计算机“深思（Deep Thought）”，并在后来的一场常规赛中击败一位顶尖象棋选手。但是这此成功寿命不长，同年晚些时候，Kasparov再次以2比0的成绩轻松击败“深思”。IBM对C.M.U.团队的这项技术留下了深刻印象，以至于后来还组织其研究人员继“深思”之后又开发出了初代“深蓝”计算机。“深蓝”研发团队后来在1996年费城举办的一次人机对战中以1比6再次输给了Kasparov，不过，令他们欣慰的是，至少还是赢了世界冠军一局。

Q：“深蓝”如何决定棋步？

Q：你的象棋专长在“深蓝”研发工作中发挥了多大作用？

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？