Innan Deep Blue klarade konststycket att klå Gerry Kasparov i schack hade superdatorn börjat sitt liv på Carnegie Mellon University, då under namnet Chiptest.
1989 tog en grupp forskare med sig Chiptest och började arbeta på IBM. IDG News har mött en av dem, Murray Campbell, och talat om hur resan sett ut efter det stora genombrottet med Deep Blue 1997.
Men låt oss börja med det där första genombrottet med schackmatchen.
De första åtta åren från att han kom till IBM till matchen mot Kasparov arbetade Murray Campbell heltid med Deep Blue, som fick sitt nya namn 1990.
Att Deep Blue lyckades vinna matchen sägs ibland bero på att systemet hade en bugg som gjorde att datorn gjorde ett konstigt drag som psykade Gerry Kasparov till den grad att han förlorade.
Men Murray Campbell är inte säker på att den teorin håller. Han förklarar att det visserligen fanns en bugg som gjorde att Deep Blue gjorde ett dåligt drag i slutet av det första spelet i matchen. Då höll datorn redan på att förlora.
– Så fort som Kasparov gjort sitt motdrag så gav vi upp åt Deep Blue. Det spekulerades i att det gjorde att Kasparov fick en felaktig bild av vad Deep Blue klarade och inte klarade i schack. Men jag tror det bara är en spekulation.
Läs också: Kinesiska världsettan i Go blir nästa utmaning för Googles AI-spelare
Buggen dröjde sig kvar ett spel till men efter det hade IBM-forskarna hittat felet och fixat det.
– Den visade sig bara under vissa specifika omständigheter. Deep Blue fick en viss tilldelad tid för att räkna ut ett drag och om tiden tog slut på ett särskilt sätt så kunde det leda till ett slumpartat drag. Vi hade sett det några månader tidigare och trodde att v hade fixat det. Och jag tror vi fixade fyra av de fem sätt som det kunde ske, men vi missade ett av dem. Så självklart dök det upp just när vi hade världens ögon på oss.
Sedan genombrottet med schackmatchen har Google Deep Minds Alpha Go vunnit över några av världens skickligaste go-spelare och IBM:s Watson har vunnit i Jeopardy. Så vad är då nästa stora utmaning för artificiell intelligens?
Murray Campbell konstaterar att brädspel varit en bra början
– Men nu tror jag att det är dags att börja ta sig an problem i den verkliga världen. Mer komplexa problem. Ett spel som schack är väldigt väldefinierat – all information finns, du vet exakt vilka drag som är möjliga, hur schack matt ser ut och så vidare. Den verkliga världen ser inte ut så. Där finns komplexitet vart du än vänder dig.
Samtidigt finns det fortfarande spel som kan lägga på ytterligare lager av komplexitet.
– Jag såg nyligen att ett program slagit en grupp professionella pokerspelare och det är intressant för där läggs till ofullständig information. Gömd information där sina motståndare vet vad de har för kort men du inte gör det. Det är ett sätt att lägga på komplexitet. Det finns andra sätt också.
I det långa loppet så handlar det inte om att skapa system som är lika bra eller bättre än människor framhåller han.
– Det vi verkligen vill ha är system som kompletterar människor på ett intressant sätt och hjälper dem att fatta beslut.
Deep Blues sätt att spela schack är helt annorlunda mot hur en människa spelar schack. Murray Campbell förklarar att på samma sätt som människans sätt har sina styrkor och svagheter så har även datorns sätt det.
– Genom att kombinera de två visade sig däremot snabbt skapa en spelare som blev bättre än vad enbart en människa eller en dator kan bli.
Och den läxan håller fortfarande, 20 år senare.
– Ta till exempel i vården. En läkare kan titta på en patient, diagnosticera och föreslå en behandling. Men vad händer om det finns en assistent som ser problemet på ett annat sätt, har andra färdigheter, kan titta på all ny medicinsk litteratur och pågående läkemedelsförsök och som utifrån det kan föreslå alternativa diagnoser eller behandlingar som den mänskliga experten, läkaren sedan kan överväga och antingen godta eller förkasta. Det gör att de kan bredda sitt tänkande och prestera bättre än någon av dem kan på egen hand.
Läs också: AI-kampen trappas upp – här är it-jättarnas nästa drag
Att människor fortsatt har sista ordet tycker Murray Campbell är en nödvändighet.
– I alla fall för många decennier framåt. Men jag tror det blir bättre för oss alla om vi är mer informerade kring olika alternativ och fördelarna och nackdelarna med de alternativen, säger han.
I Deep Blue fanns en bugg – men den buggen hittades och fixades. Men det är betydligt svårare att få insyn i dagens AI-system.
– Det är kanske ett av de mest kritiska problemen i dagens AI, säger Murray Campbell.
Han beskriver neurala nätverk som fantastiskt användningsbara men som stora svara boxar.
– De förklarar inte sig själva på ett användbart sätt som det ser ut i dag. Men det finns forskning som arbetar med att ändra det. Inte heller Deep Blue som inte byggde på neurala nät utan på en stor sökning genom miljarder möjligheter, kunde beskriva på ett bra sätt exakt varför den gjorde de drag som den gjorde. Om Deep Blue rekommenderade något skulle det krävas mycket jobb att räkna ut varför systemet rekommenderat just det. Och jag tror detsamma gäller för moderna AI-system.
Murray Campbells forskargrupp arbetar just med problemet att tolka AI.
– Det blir mycket effektivare om systemet kan förklara hur det resonerat för en mänsklig beslutsfattare.
Ett sätt att göra det är att använda sig av maskininlärning för att hjälpa maskininlärning att förklara sig själv förklarar han. Om ett system fattar beslut kan du, med mycket möda, räkna ut för varje beslut vad det baseras på och på ett sätt som går att förstå av människor resonera kring varför det är ett bra beslut eller varför det fattades.
– Sedan kan du bygga upp ett system som på grundval av beslutsexempel och förklaringar själv kan lära sig att förklara på sätt som går att använda. Det är ett sätt att göra det på.
Läs också: Nu är det dags: förbered ditt företag för robotrevolutionen
Vilka användningsområden för AI ser han då framför sig?
– Ett specifikt exempel är att vi på IBM, genom att använda oss av avancerad maskininlärning, tagit fram ett bildigenkänningssystem för hudcancer så att det går att klassificera en hudskada med väldigt stor precision utifrån ett foto, ofta mer precist än experter klarar av.
Samtidigt, konstaterar han, har systemet inte hela kontexten runt patienten och därför blir det ytterligare en pusselbit som läkare kan ta del av.
– De kan se personen, historien och rekommendationen, exempelvis att det är 85 procents risk att det handlar om cancer och att det bör tas ett vävnadsprov. Men kanske läkaren kan se om det finns särskilda problem i det specifika fallet så man inte bör gå på den rekommendationen. Det är ett exempel.
Ett annat område som Murray Campbell intresserat sig för är något som han kallar "aging in place" – att åldras på plats.
– Du utrustar hemmen hos äldre personer med sensorer och IoT-teknik och så låter du AI-baserade system övervaka sensorerna och leta efter varningssignaler som kan peka på problem och skicka det vidare till vårdgivarna, säger han.
– Jag hoppas att ett sådant system finns på plats och är uttänkt i detalj så att jag kan dra nytta av det när jag pensioneras.
