艾伦·图灵
1950年，论文《计算机器与智能》发表。英国数学家、曼彻斯特大学教授艾伦 · 图灵（Alan Turing）开宗明义，在第一章开头处便抛出一个引人深思的问题：“机器能思考吗？”此时距离标志着人工智能学科诞生的达特茅斯会议召开还有6年，距离震惊世界的“ChatGPT”横空出世则还有72年。图灵没有未卜先知的能力，1954年逝世的他也未能亲眼见证人工智能的崛起。作为这一领域的先驱，图灵留给后人的除了跨越世纪的疑问，还有他所设计的计算模型——图灵机。虽然受困于彼时的科学水平，图灵机只能在纸上模拟运行，但它却奠定了现代计算机发展的理论基础，为人类探索人工智能指引了方向。
《计算机器与智能》论文开头
值得一提的是，作为人工智能史上里程碑式的成果，彼时的图灵机除了被用于计算机理论研究，还成为图灵闲暇时的“好棋友”——图灵与同僚大卫 · 钱珀瑙恩（David Champer-nowne）以图灵机为基础，于1948年一同开发一款国际象棋程序，并从二人的姓氏中各取一半，将其命名为“Turochamp”。尽管该程序算法粗糙、逻辑单一，甚至只能由人手动进行简单的推演，却依然成为图灵爱不释手的珍宝。在人生的最后几年，他不断尝试将程序进行转换与迭代，并始终相信，随着计算机技术的不断发展，Turochamp的实力也将实现飞跃，最终应能与顶尖棋手一较高下。
图灵未能在生前圆梦，但历史终究以另一种方式弥补了他的缺憾——在他去世43年后，1997年5月11日，“深蓝”计算机击败世界冠军加里 · 卡斯帕罗夫（Gary Kasparov），人工智能问鼎国际象棋世界之巅。又过了20年，2017年5月27日，当四冠傍身的柯洁面对阿尔法狗投子认负，棋类竞技中最复杂、最多变的围棋也被攻克，世人方才直观感受到人工智能的潜能与力量，人工智能时代自此到来。
人工智能与棋类竞技，这两个看似毫不相关的事物因图灵而结缘，最终成为关于后世人工智能发展的精准预言：人工智能将在科学家的帮助下不断向人类最引以为傲的智力游戏——棋类竞技发起挑战，并最终击败人类，向更浩瀚、更无垠的世界迈进。
1946—1980：从理论到实践
自1946年世界首台电子通用计算机诞生以来，如何通过它改变世界便成为全球科学家面临的新挑战。作为在两次世界大战浪潮中成长，甚至曾亲身参与盟军秘密工作的一代人，艾伦 · 图灵、约翰 · 冯 · 诺伊曼（Jhon Von Nenmann）等人敏锐地意识到计算机在军事领域的潜能。在此背景下，一个新的想法逐渐在计算机先驱的脑海中成型，即赋予计算机如人类一般的思考能力，以辅助科学家完成科学实验与数据分析。
那么，如何证明计算机能够像人类一般思考呢？面对一个方兴未艾的新事物，科学家也无法确定具体的衡量标准，直到1950年，艾伦 · 图灵提出的测试方法在学界掀起巨大波澜，“图灵测试”也成为评估人工智能智能程度的经典方法。除此之外，作为一名国际象棋的狂热爱好者，图灵也热衷于教机器人下棋，并认为这是判断计算机智能水平的另一种方式。在图灵的影响下，编写象棋程序在曼彻斯特大学一时蔚然成风，1951年，其同事迪特里希 · 普林茨（Dietrich Prinz）编写了史上首个自动下棋程序，尽管受内存与计算水平限制，该程序无法完成一局完整的国际象棋游戏，但在终局阶段，该程序能作出精准的判断，找到最好的棋路。1956年，大西洋彼岸的美国洛斯阿拉莫斯国家实验室的工作人员也根据图灵的理论设计出一款下棋程序，在简化规则、棋子与路数的前提下实现了人与机器的对弈。“洛斯阿拉莫斯象棋”作为国际象棋的变体就此诞生。
洛斯阿拉莫斯象棋取消了“象”这一棋种
在1956年同时发生的还有人工智能发展的起点——达特茅斯会议。在参会的十余位学者中，近半数都与棋类游戏有关联——克劳德 · 香农（Claude Shannon）、赫伯特 · 西蒙（Herbert Simon）、约翰 · 麦卡锡（John McCarthy）、亚历克斯 · 伯恩斯坦（Alex Bernstein）都是国际象棋的忠实拥趸，亚瑟 · 塞缪尔（Arthur Samuel）则对跳棋情有独钟。后来，他们也各自为提升计算机的棋力作出了卓越贡献。克劳德 · 香农将约翰 · 冯 · 诺依曼提出的极大极小定理延伸至计算机领域，使其成为可用于博弈的极大极小算法（模拟所有可能选项及其后续，并从中选择将自身优势最大化的选项，对方则选择令对手优势最小化的选项）。亚历克斯 · 伯恩斯坦将该算法应用于国际象棋程序开发，于1957年设计出史上首个可以完成一整局国际象棋游戏的下棋程序。1958年，赫伯特 · 西蒙基于约翰 · 麦卡锡的研究成果，与他人一同推出Alpha-beta剪枝搜索算法（当计算机在每一步模拟过程中发现最优选项时，会自动放弃其他选项的后续模拟），该算法大幅提升了极大极小算法的性能。同年，基于该搜索算法的国际象棋程序被开发出来，并逐步完善、进化。到1962年时，计算机的棋力水平与普通爱好者相当；到1967年时，计算机的棋力等级分最高可达1400分，可与业余棋手媲美。而当1978年到来时，站在计算机对面的已是苏格兰象棋大师大卫 · 利维（David Levy）。在一场人机锦标赛中，双方鏖战五盘，尽管比赛最终以利维的胜利收尾，但无可辩驳的是，计算机的棋力水平正在硬件更新与算法加持的双重作用下飞速提升，向着世界顶尖水平不断靠近。
达特茅斯会议部分参会人员合影，右一为贝尔电话实验室数学家克劳德·香农，右二为达特茅斯学院数学助理教授约翰·麦卡锡
亚历克斯·伯恩斯坦与IBM-704计算机进行国际象棋对弈
当国际象棋程序在不断优化迭代时，热爱跳棋的亚瑟 · 塞缪尔正在为人工智能开辟一条与众不同的发展道路。他并未专注于博弈相关的程序算法，而是提出“机器学习”这一新概念。他结合大量优秀棋手的棋谱总结与说明指南，在程序中设置相关指令，以便程序尽可能地选择那些公认为最佳的选项。1959年，亚瑟 · 塞缪尔和他的跳棋程序在比赛中击败了康涅狄格州跳棋冠军，一时风头无两。后来，他又让该程序以相同方式学习其他棋类游戏，最终于20世纪70年代使其成为首个可以在各类棋类游戏中达到较高水平的棋类程序。
亚瑟·塞缪尔和他的跳棋计算机
在这一时期，以国际象棋、跳棋等为代表的人工智能程序设计实验在日后被称作“认知模拟”，即注重开发能够模拟部分人类思维能力（如下棋）的算法，而非更加广义、通用的智能程序。受时代影响，这些实验虽然成果有限，却启发了无数后来的研究者：他们逐渐意识到，棋类游戏是一个绝佳的双向窗口，不仅能让计算机了解人类思维路径与决策过程，也能使人类从中窥探计算机所蕴藏的无限潜能。
1981—1997：登顶世界之巅
20世纪70年代末期，随着个人计算机的量产与普及，电脑走入寻常百姓家，无数程序员也得以在工作之余享受国际象棋程序带来的乐趣。1980年9月4日，史上第一届计算机国际象棋比赛——世界微型计算机象棋锦标赛在英国伦敦拉开帷幕，来自全球各地的14种国际象棋程序在舞台上角逐，引起了社会的广泛关注。1985年，台湾大学电气工程学研究生许峰雄带着一台自制的国际象棋机器来到美国卡内基梅隆大学攻读博士学位，并在这里完成了关于Alpha-beta剪枝搜索算法大规模并行化的研究。1989年，许峰雄和同学带着一台名为“深度思考”的国际象棋机器来到世界微型计算机象棋锦标赛现场，他们在比赛中战胜诸多特级大师，大放异彩。
1989年世界微型计算机象棋锦标赛，克劳德·香农为许峰雄颁发奖杯
IBM公司对此深感兴趣，很快便将学成毕业的许峰雄揽入麾下。他也成为“深蓝”计算机开发团队的核心成员。到1995年，“深蓝”计算机的棋力已达世界顶尖水平——凭借每秒钟可以模拟2亿步棋的超级算力，“深蓝”计算机可以在数分钟内模拟每一步棋的所有走法及其后续，并从中寻找到最优解。参与测试的国际象棋大师无论有多么丰富的经验、多么敏锐的直觉抑或多么惊人的创造力，都只能在令人绝望的计算能力差距面前败下阵来。
经过大量内部测试与更新，1995年底，开发团队正式向彼时国际象棋世界第一人——俄罗斯国际象棋特级大师卡斯帕罗夫发出邀请函，朝王座发起挑战。1996年2月10日至17日，卡斯帕罗夫与“深蓝”计算机的对决在费城进行，引发世界关注。在万众期待中，经过6局对弈，卡斯帕罗夫以4:2的成绩击败“深蓝”计算机，捍卫了人类荣耀。
这场失败让开发团队意识到，单纯依靠硬件与算法提升算力并不足以击败世界冠军，“深蓝”计算机还需要其他方面的补充。很快，除了进一步提升运算速度，塞缪尔“机器学习”的相关成果也被吸纳进来，开发团队在芯片中丰富了国际象棋的相关知识，使“深蓝”计算机能够识别不同的棋局，并对局势进行更准确的评估与推演。升级后的“深蓝”计算机每秒可检索1亿至2亿个棋局，并计算双方棋手后续6至8步的最佳选择——就这样，一个集计算、搜索、评估，以及一定自我学习能力于一体的超级计算机就此诞生，并在不久后再度向王座发起挑战。
1996年，许峰雄使用“深蓝”计算机与卡斯帕罗夫对弈
1997年5月11日，已经完成蜕变的“深蓝”计算机再度与卡斯帕罗夫交手，经过6局搏杀，最终以3.5:2.5（2胜1负3和）的成绩击败卡斯帕罗夫，成功夺魁。卡斯帕罗夫最后一局弃子认输的经典画面也伴随着全球媒体的新闻头条，成为人工智能史上的里程碑时刻。这场胜利不仅标志着人工智能在特定领域首次超越人类顶尖水平，更引发了关于人机关系、人机未来的广泛讨论与畅想。
1997年，许峰雄使用“深蓝”计算机战胜卡斯帕罗夫
尽管此时的“深蓝”还只是专为国际象棋开发的计算机，不仅算法内容与成果难以推广到其他领域，而且其自我学习能力尚处于基础水平，无法像人类一样从经验中提炼出普遍规律，但全世界观众都已通过这场比赛直观感受到计算机解决复杂问题的能力。不久以后，“深蓝”计算机开发过程中所采用的各项技术便被应用于理论模拟、金融建模、数据挖掘、医药制造、风险分析等高精尖领域，对物理、生物、金融等诸多行业的快速发展产生了深远影响。
许峰雄与“深蓝”计算机开发团队
2003年，已然功成名就的许峰雄离开IBM，加入北京微软亚洲研究院。他曾在一次采访中表示，在国际象棋领域，计算机已经征服了人类，它需要寻求一些新的挑战。许峰雄将目光放在了最古老、最复杂的游戏——围棋之上。2009年，他曾做出预测：人工智能将在未来10年内击败围棋九段高手。事实证明，这一天比他预想中的还要更早到来。
1998—至今：从围棋迈向无限
围棋，全世界最古老，同时也是最抽象、复杂的棋类运动之一，曾被诸多科学家视作人工智能的至高挑战。早在1965年，图灵的好友、英国数学家欧文 · 古德（Irving Good）就曾坦言，考虑到围棋游戏的变数之多，想让计算机进行一场合理、完整的围棋游戏，就要在保证大量计算的基础上，建立“依赖于判断”的学习程序——而这远比设计国际象棋程序困难得多。
事实也正往古德预料的方向发展。在早期，科学家依旧仿照国际象棋程序的开发思路，大量使用Alpha-beta剪枝搜索算法进行推演。但与32颗象棋棋子相比，围棋盘上361个落点的变化宛如宇宙般无穷无尽，使得计算机的棋力成长十分缓慢，以至于到1996年，当“深蓝”计算机在国际象棋界大杀四方时，围棋程序依然停留在业余水平，即便是低段位的职业选手，都可以在让25子的巨大劣势下轻松战胜围棋程序。
1997年“深蓝”计算机的胜利为围棋程序开发者们注入了一剂强心剂，“机器学习”的概念也被广泛参考、借鉴。2003年，英国科学家迈克尔 · 瑞斯（Michael Reiss）开发的Go++程序在受让9子的前提下击败了一名业余五段选手，让人们看到了一丝曙光。与步步都要进行海量运算的其他围棋程序不同，Go++先将棋局与芯片中存储的近似棋型进行比对，从中选出50余种候选棋步，再通过复杂运算确定最佳选择。这样不仅能提升计算效率，还使得每一步棋更贴近职业棋手的风格。不过，Go++也止步于此，围棋程序依然没有战胜职业选手的可能。
2006年，蒙特卡洛树搜索算法登上历史舞台，并很快在围棋程序开发领域取得巨大突破。科学家让两台计算机随机对弈至终局，以海量数据为基础，计算每一步棋对于胜率的影响，从而判断局势的好坏，做出最优决策。有了分析的能力，围棋程序的实力得以飞速增长，到2010年，它们已经可以在个位数的让子优势下战胜职业棋手。也是在这一年，谷歌旗下的DeepMind公司将蒙特卡洛树搜索算法、神经网络与深度学习三者相结合，AlphaGo就此诞生。在通过分析3000万局围棋比赛数据形成基本的逻辑与认知后，AlphaGo便通过自我对弈不断强化学习，向世界第一发起冲击。
2015年10月，初出茅庐的AlphaGo以4:0的比分击败欧洲围棋冠军；2016年3月，AlphaGo以4:1的比分击败前世界第一人李世石；2017年5月，当世第一人柯洁也被AlphaGo以3:0的比分斩落马下。柯洁认负前不甘的泪水见证着人类棋手最后的坚持与倔强。数月后，AlphaGo的升级版——AlphaGo · Zero问世，它不仅制霸围棋，还能在短时间内学习并掌握其他棋类游戏。但谁还关注呢？以2017年为界限，人工智能开始进入全世界的视线之中，ChatGPT、DeepSeek等更加耳熟能详的名字从云端落入人间，在潜移默化中不断影响、改变着我们的工作与生活。
从图灵的Turochamp，到DeepMind的AlphaGo，这场始于棋盘两端的人机之争，早已跳脱出游戏的范畴，成为探索人工智能本质、拓展人类认知边界的重要途径。展望未来，人工智能还将带给我们更多的惊喜——量子计算的突破可能会彻底颠覆固有范式，类脑计算的进步可能会造就更加拟人的智能系统……一切正如卡斯帕罗夫所言：“我们应该把人工智能看作智力的延伸，而非竞争对手。”从棋盘到现实世界，从特定领域到通用智能，在永无止息的求索之旅中，人类与机器将携手前行，共同走向更加广阔、光明的未来。
————————
本文系“两翼杯”青年前沿科普创作大赛科普文章组三等奖作品；本文作者乔志远是中国科普作家协会会员、上海通志馆馆员