Гарри Каспаров - Человек и компьютер: Взгляд в будущее

В опубликованной в The Atlantic в 2013 году статье Джеймса Сомерса, посвященной Дугласу Хофштадтеру, последний с грустью размышляет о том, стоит ли выполнять задачу, если ее решение ничего не дает. «Итак, мы создали машину Deep Blue, которая сильно играет в шахматы. Ну и что из этого? — вопрошает он. — Улучшает ли она наше понимание того, как люди играют в шахматы? Нет. Позволяет ли она понять, как Каспаров анализирует ситуацию на доске, как выбирает ходы? Нет». По мнению Хофштадтера, системы, не пытающиеся ответить на такие вопросы, не имеют права называться искусственным интеллектом, какие бы впечатляющие результаты они ни показывали. Ученый дистанцировался от такого рода исследований почти сразу же, как только занялся ими. «Как человеку, понимающему суть ИИ, мне претило участвовать в этом обмане, — сказал он. — Я не желал выдавать поведение изощренной программы за интеллект, прекрасно зная, что оно не имеет ничего общего с интеллектом. Не знаю, почему все больше людей попадаются на этот крючок» {46} 46 «Я не знаю, почему все больше людей попадается на этот крючок»… James Somers, "The Man Who Would Teach Machines to Think," Atlantic, ноябрь 2013 года. .

Не хочу быть циничным, но одним из объяснений может быть нынешняя рыночная капитализация Google, превышающая $500 млрд. Другой причиной, на которую указывают в той же статье некоторые эксперты, в том числе Дейв Ферруччи, один из создателей Watson, и Питер Норвиг из Google, может быть то, что люди предпочитают браться за задачи, которые они могут решить. Создать человеческий интеллект невероятно сложно, тогда как машинное обучение дает вполне неплохие результаты. Но как долго это будет продолжаться? Закон убывающей отдачи уже дает о себе знать. Достижения эффективности в 90 % зачастую достаточно для того, чтобы сделать машину полезной, но гораздо сложнее повысить этот уровень до 95 %, не говоря уже о 99,99 %, необходимых для того, чтобы мы доверили машине перевести любовное письмо или отвезти наших детей в школу.

Метод машинного обучения в конечном счете мог бы сработать и в шахматах, и в этом направлении был предпринят ряд попыток. Например, система AlphaGo компании Google использует его вместе с базой данных, содержащей около 30 млн ходов. Как и было предсказано, в игре го для победы над сильнейшими игроками одних только правил и грубой силы оказалось недостаточно. Напротив, к 1989 году Deep Thought ясно показала, что такие экспериментальные подходы вовсе необязательны для того, чтобы достичь высокого уровня игры в шахматы и бросить вызов лучшим игрокам мира. Единственное, что необходимо, — это скорость и еще больше скорости, и ее обеспечили специализированные микропроцессоры, разработанные Сюй Фэнсюном в Университете Карнеги — Меллона. После победы Deep Thought над гроссмейстерами Бентом Ларсеном и Тони Майлсом я решил, что для меня это может быть интересным новым вызовом, и принял его.

Мой первый матч из двух партий с Deep Thought состоялся 22 октября 1989 года в Нью-Йорке, хотя из нас двоих лично присутствовал там только я. Как уже повелось, сама машина находилась за сотни миль оттуда, а все ходы за нее делал оператор на обычной шахматной доске с обычными часами. Незадолго до этого в том же месяце IBM наняла команду Deep Thought, а в итоге инвестировала в этот проект миллионы долларов и собственных технологий, изменив его название на Deep Blue. Но этот миниматч спонсировался софтверной компанией AGS Computers из Нью-Джерси, чей президент был заядлым шахматистом и годом раньше оплатил матч между HiTech и Денкером.

Одна из трудностей игры против компьютеров состоит в том, что те часто и быстро меняют свою игру. Как правило, гроссмейстеры готовятся к бою, тщательно изучая манеру игры своего соперника, анализируя его последние партии и выискивая слабые места. В основном подготовка ориентирована на дебюты, которые обычно строятся на устоявшихся цепочках ходов и носят экзотические названия типа «сицилианская защита» или «индийская защита». Мы стремимся найти в этих дебютах новые идеи и новые сильные ходы («новинки»), чтобы удивить соперника. Особенно полезно постараться обнаружить слабое место в одной из любимых позиций будущего оппонента, ведь он, скорее всего, попытается создать ее на доске.

Более подробно о том, как компьютеры справляются с дебютами, я расскажу в главе о Deep Blue. Здесь же замечу только, что они используют так называемую дебютную книгу — базу данных, которая включает миллионы дебютных позиций, отобранных из реальных партий гроссмейстеров. Эти книги создавались годами и постоянно дополняются и улучшаются, чтобы дать машинам возможность играть более гибко, но основной принцип их применения остается неизменным: машины более-менее слепо следуют книге, пока она не «закончится», после чего начинают думать сами. Я фактически делаю то же самое: вспоминаю проторенные дебютные линии, пока те не иссякнут в памяти, а затем отправляюсь в свободное плавание.

Без ложной скромности могу сказать, что я был самым подготовленным игроком в истории шахмат. Еще с юности мне нравилось изучать дебюты и выискивать возможные усиления, добавляя их в свой арсенал. Захватывающая тактическая борьба в стадии миттельшпиля требует наивысшего напряжения, но и, чтобы найти новую идею в хорошо известной системе (что всегда меня увлекало), необходимы огромное упорство и изобретательность. В поисках слабого места у своих соперников я тщательно изучал применяемые ими дебюты и сохранил множество файлов с анализами и новинками. Даже сильные противники подчас не решались применять против меня свои любимые дебюты, опасаясь мощной новинки. Когда в 2005 году я ушел из профессиональных шахмат, некоторые шутили, что я должен выставить на аукцион свой ноутбук, полный важных шахматных знаний.

Мне было смешно слушать легенды о том, что якобы на меня работала целая команда гроссмейстеров и они, закованные в кандалы в подвале, круглыми сутками придумывали для меня новинки. На самом деле всю огромную базу данных собрали я и мои тренеры Юрий Дохоян и Александр Шакаров, который работал со мной с 1976 года и сохранил эту создававшуюся десятилетиями бесценную интеллектуальную собственность. Мне не нравилось, когда критики неодобрительно говорили, что я «выиграл партию дома» — то есть получил преимущество благодаря хорошей дебютной подготовке. Наивысшей похвалой для меня было признание моей блистательной игры непосредственно за доской, но я не вижу ничего постыдного в том, чтобы подготовиться к партии лучше соперника. Возможно, такой скептицизм чуть более оправдан сегодня, когда все профессиональные игроки используют для подготовки суперсильные шахматные машины. Конечно, даже при использовании машины подготовка требует от шахматиста немалого труда, но, когда потрясающая новая идея исходит от кремниевого, а не от человеческого мозга, суть шахмат немного выхолащивается.