• 沒有找到結果。

人工智 人工智 人工智 人工智能 能 能 能發展 發展 發展與未來 發展 與未來 與未來 與未來

Non-modular(N1)

5.3 人工智 人工智 人工智 人工智能 能 能 能發展 發展 發展與未來 發展 與未來 與未來 與未來

圖靈(Alan Turing)被稱為是電腦、人工智慧學之父,他發表的”Could a Machine think”提出了模擬遊戲和圖靈測試(Turing,1950),認為若有電腦在模擬遊 戲中通過圖靈測試,那電腦跟人類一樣會思考。

至今並無一個人工智能完全通過圖靈測試,每年都舉辦的 Loebner prize,這 項競賽是由 Hugh Loebner (A.D. 1942- )出資,分為金、銀、銅三種獎牌,獲

year

Program writer

Program(winner)

1991

Joseph Weintraub

Thinking Systems Software 1992 Joseph Weintraub Thinking Systems Software 1993 Joseph Weintraub Thinking Systems Software

1994

ThomasWhalen ,

Government of Canada Communications Research

Center

1995 Joseph Weintraub, Thinking Systems Software

1996

Jason Hutchens Centre for

Intelligent Information Processing, University of

Western Australia 1997 David Levy, Intelligent

Research Ltd.

1998

Robby Garner

1999 Robby Garner

40 獎金可能會調整,2010 年獎金如下:

First Prize: $3000 and the Bronze Annual Medal

Second Prize: $1000 ,Third Prize: $750 ,Fourth Prize: $250.

‧ 國

立 政 治 大 學

N a tio na

l C h engchi U ni ve rs it y

50

2000

Richard Wallace Alice

2001

Richard Wallace Alice

2002 Kevin Copple

2003

Juergen Pirner Jabberwock

2004 Richard Wallace

Alice

2005

Rollo Carpenter Jabberwacky

2006

Rollo Carpenter Jabberwacky

2007

Robert Medeksza Ultra Hal

2008

Fred Roberts Elbot

2009

David Levy Do-Much-More

至今只有到銅牌的程度,2010 年將在 10 月 23 日加利福尼亞州舉辦。

5.3.2 棋奕人工智 棋奕人工智 棋奕人工智 棋奕人工智能 能 能 能發展現況 發展現況 發展現況 發展現況

電腦象棋在台灣的研究從民國七十年左右開始起步,初期即使利用中大型電 腦也只能下簡單的殘局。隨著軟體及硬體技術的發展,在民國七十五年前後才能 使用個人電腦下完全局。

民國七十六年第一屆電腦象棋比賽的冠軍程式「象棋大師」的棋力約為一級 左右。民國七十八年新版的「象棋大師 MS2」參加新秀杯升段賽,一連晉昇為 二段棋士。隨後上市的「象棋特級大師」以及「將族」的棋力在五、六年之間,

進展到三、四段左右。

民國八十七年五月,許舜欽教授帶領台大資訊工程系所開發的電腦象棋程式

「ELP」,參加新秀杯升段賽,晉昇為四段棋士。隨後又在八十七年八月,參加 昭榮杯升段賽,正式晉昇為五段棋士。而後「ELP」又於民國九十年參加新莊市 長杯全國比賽,晉昇為六段棋士。

發展至今,電腦象棋的技術已漸漸成熟,並有不少棋力高強的象棋軟體紛紛 問世,例如象棋世家、千慮、象棋奇兵、棋天大聖等等。電腦象棋的重要比賽,

目前有許教授所舉辦的人腦對電腦象棋比賽,安排台灣高段棋士與電腦較量棋 力,促進電腦象棋的發展;ICGA ( International Computer Game Association ) 所 舉辦的 Computer Olympiad 棋類比賽,是全世界的電腦象棋頂尖程式雲集之競賽

(Shi-Jim Yen & Jr-Chang Chen,2004);以及許教授所舉辦的世界電腦象棋大賽,

每三年舉辦一次;大陸方面 2007 年起開始舉辦計算機博弈競賽及研討會,並舉 辦特級大師人腦與電腦對抗賽,顯示其對電腦象棋的重視程度快速升高,台灣如 果不及時追趕,恐將落於人後。

‧ 國

立 政 治 大 學

N a tio na

l C h engchi U ni ve rs it y

51

中國大陸方面對電腦象棋的研究是近幾年才起步,如象棋奇兵、棋天大聖、

旋風、倚天等由大陸人開發的程式,是利用著名西洋棋程式 crafty 的原始碼來改 進的,具有平行處理的能力,配合多核心的 CPU 即可加快其運算速度;並且其 研發團隊有特級大師做為棋藝指導,幫助電腦改進弱點,因此進展相當快速,短 時間內已達到特級大師的水準。

5.3.3 相關文獻與理論基礎 相關文獻與理論基礎 相關文獻與理論基礎 相關文獻與理論基礎

電腦對局乃是人工智能領域中,相當有趣且引人注目的一門學問。1950 年,

C.E. Shannon 提出 Mini-Max 有限深度搜尋的基本理論(Shannon, 1950),電腦對 局就成為人工智慧領域中,最吸引人的課題之一(Newell,1958 ; Berliner,1980)。

1958 年,A. Newell 提出 α-β 切捨技巧(α-β Cut-Off)奠定電腦對局程式的基本 架構之後,歷經五十年的研究,電腦西洋棋已經到達國際特級大師的水準。其中 深藍(Deep Blue)就曾在 1997 年 5 月,以二勝一負三和的戰績,擊敗世界西洋 棋棋王 Gary Kasparov (Campbell, 2002 ;Newborn, 1997 )。

1996 年,開始針對特定對手的開局進行記錄與分析,並設法預測對手在開 局階段的下棋模式(Walczak and Steven;1996)。1998 年,出現以中局搜尋技巧,

自動產生開局資料庫的方法—乃採用 Best First Search 策略以及暴力搜尋法

(Brute Force Search)來檢視盤面,然後自動將最佳著手加入開局資料庫 (Buro,1998 ; Lincke and Tomas, 2000)。

在電腦象棋方面,自 1991 年起,對於電腦象棋的開局階段有不少研究,其 中多以樹狀結構作為資料庫的架構(許舜欽、黃東輝,1985),並引進知識工程 的技術,利用框架基底和雜湊函數來設計資料庫(許舜欽、曹國明,1991)。此 外,尚有棋譜檢索功能的發展(孫浩淳,1994),並推廣至線上查詢棋譜(李崇 榮,1996;陳柏瀚,1996;陳志昌,2005)。

許舜欽教授所指導的學生方浩任,在 1997 年提出以窮舉法來建構象棋殘局 樹狀結構的方法(方浩任,1997),完美的解答了象棋基本殘局定式以及勝和結 論;1999 年,陳世和提出以實用殘局棋譜來建立象棋殘局知識庫的技巧(陳世 和,1999)。陳志昌於 2005 年提出電腦象棋開局知識庫系統的製作方法 (陳志昌,

2005)同年,徐讚昇教授所指導的學生吳光哲提出象棋中的 GHI (Graph History Interaction) 問題及解法,以解決搜尋程式遇到循環盤面(棋規盤面)時棋力下 降的問題;同年,蔡旭程(2005)提出以高效率的演算法,來解決象棋殘局中的 停著殺(隔步殺)問題。電腦象棋雖比西洋棋晚了近 20 年才起步,但時至今日,

卻也接近大師的水準,足以對人類棋手造成很大的威脅。

‧ 國

立 政 治 大 學

N a tio na

l C h engchi U ni ve rs it y

52

5.3.4 人工智 人工智 人工智 人工智能 能 能的未來方向 能 的未來方向 的未來方向 的未來方向

透過前文的理論和實驗探討,本研究可讓我們對 Fodor 理論以及智慧有更深 一步的認識,亦方便做為人工智能學的學者,在做程式設計時的一項參考資料。

目前棋奕人工智慧,並不討論模組理論,所設計的也沒有以下這樣的狀況:一個 厲害的象棋 AI,我們讓厲害的象棋 AI 學日本將棋的規則,而且 AI 的表現比較 弱的象棋棋手去下日本將棋表現的好太多,儘管 AI 和較弱的象棋棋手都是在同 一個時間剛學會日本將棋的規則。透過對 Fodor 模組理論的研究和實驗可以發現 到下棋棋力能移轉的實際狀況,現階段的 AI 製作時無法表現這種現況,方向也 完全只是考慮單一的棋力強弱,如此是不太可能突破所謂的圖靈測試。這一點可 以延伸到其他人工智能的製作上,就算有範疇差異極大的技能或知識,也有可能 會彼此間相互影響,例如下棋的謀略以及習慣,有時就被企業家以類比的方式,

應用到商業決策而獲得商業上的成功。經過前述的討論,似乎只有做到愈相似範 疇的能力,愈能移轉其能力的人工智慧,這種發展方向才有機會突破所謂的圖靈 測試,然而實踐上是否有可能則又是另一項問題了。

人工智能隨著電腦運算速度加快,有愈來愈多編程已經和人類能力不相上 下,甚至超過人類,特別是在記憶能力方面,然而發展的方向若不正確,每個單 種程式的表現能力就算在強,把這些程式都結合在一起,仍然會產生系統衝突、

框架問題、學習能力等問題,因此雖然普遍型智能是 Fodor 所反對和輕視的,然 而本研究依然建議的人工智能發展方向是普遍性智能的建構,Fodor 提出這個發 展方向沒有太大進展,頂多也只能說明這項工程的困難,不能作為反對的理由。