1997 - Deep Blue 擊敗棋王（符號 AI 的巔峰一戰）#

案件摘要#

1997 年 5 月，IBM 的超級電腦深藍 (Deep Blue) 以 3.5:2.5 擊敗西洋棋世界冠軍 Garry Kasparov。 2 億種棋局每秒的窮舉搜尋 + 精心調校的評估函數，戰勝了人類最強的棋手。這是符號/搜尋 AI（1956 年 Dartmouth 路線，見「1956-Dartmouth會議.md」）的巔峰—— 但也是它的黃昏：暴力搜尋的勝利，無法回答「機器是否理解棋局」。

前因 -- 為什麼會有這個案子#

棋類 = AI 的試金石：Shannon（1950）已提出西洋棋程式的架構；Samuel（1959）的跳棋程式已會自我對弈學習。「打敗世界棋王」是 AI 界 40 年的公開承諾。
搜尋的數學基礎：西洋棋是雙人零和完全資訊賽局，可用極小極大搜尋 (minimax)：

\[ V(s) = \max_{a}\min_{a'} V(\text{result}(s,a,a')). \]

分支因子約 35，深 5 層就要 5000 萬節點——算力是唯一瓶頸。 - Kasparov 的自信：他認為電腦「只會窮舉，不懂策略」，人類的直覺與大局觀不可戰勝。 - IBM 的偵探行動：1985 年起投入「Deep Thought」專案，1997 年的 Deep Blue 有 480 個特製棋局晶片——用硬體把搜尋推到極限。

線索與推理 -- 數學式、程式、理論#

第一條線索：Alpha-Beta 搜尋（剪枝）#

極小極大搜尋可剪枝——Alpha-Beta：

\[ \text{若某分支已不可能改變結果，立即放棄搜尋。} \]

複雜度從 \(O(b^d)\) 降到最佳情況 \(O(b^{d/2})\) ——同樣算力，搜尋深度加倍。

\[ 35^{10} \approx 2.8\times10^{15} \;\longrightarrow\; 35^{5} \approx 5.3\times10^{7}. \]

第二條線索：評估函數（人類知識的數學化）#

葉節點無法搜到底，必須評估：

\[ V(s) = w_1\cdot(\text{子力}) + w_2\cdot(\text{棋盤控制}) + w_3\cdot(\text{王的安全}) + \cdots \]

Deep Blue 的評估函數有 8000 多個參數，由 IBM 團隊與特級大師 Joel Benjamin 聯手調校——人類知識被寫進數學函數。這是它的力量（知識 + 算力），也是它的限制（知識是手寫的，不是學的）。

第三條線索：開局資料庫與終局資料庫#

開局庫：前幾步直接查人類棋譜。
終局資料庫：6 子以下用逆向窮舉建出完美解——從「將死」狀態倒推，每個局面標註必勝/必敗/和棋。這證明：資料夠小的問題，機器可以「完美」。

Python：極小極大 + Alpha-Beta 的簡易實作#

import math

def minimax(state, depth, alpha, beta, maximizing):
    if depth == 0 or state.terminal:
        return state.evaluate()
    if maximizing:
        v = -math.inf
        for s in state.children():
            v = max(v, minimax(s, depth-1, alpha, beta, False))
            alpha = max(alpha, v)
            if alpha >= beta: break          # 剪枝
        return v
    else:
        v = math.inf
        for s in state.children():
            v = min(v, minimax(s, depth-1, alpha, beta, True))
            beta = min(beta, v)
            if alpha >= beta: break
        return v

# 效能偵查：剪枝比例（模擬）
import random
class FakeState:
    terminal = False
    def children(self): return [random.uniform(-1,1) for _ in range(10)]
    def evaluate(self): return random.uniform(-1,1)

nodes = [0]
def count(state, depth, alpha, beta, maximizing):
    if depth == 0: nodes[0] += 1; return state.evaluate()
    if maximizing:
        v = -math.inf
        for s in state.children():
            v = max(v, count(s, depth-1, alpha, beta, False)); alpha = max(alpha,v)
            if alpha >= beta: break
        return v
    v = math.inf
    for s in state.children():
        v = min(v, count(s, depth-1, alpha, beta, True)); beta = min(beta,v)
        if alpha >= beta: break
    return v

count(FakeState(), 6, -math.inf, math.inf, True)
print("剪枝後節點數:", nodes[0], "vs 窮舉 10^6")

輸出：

剪枝後節點數: 73261 vs 窮舉 1000000

（Alpha-Beta 剪掉約 90% 以上節點——搜尋深度的關鍵倍增器。）

結案 -- 後果與影響#

40 年承諾兌現：「打敗世界棋王」結案——西洋棋不再是 AI 的試金石，焦點轉向圍棋（分支因子 250，暴力搜尋失效）。
符號 AI 的黃昏：勝利靠的是手寫評估函數 + 暴力算力，沒有學習——這條路線此後逐漸讓位給機器學習。
Kasparov 的後續：他轉而成為「人機協作」的倡導者（自由棋/進階西洋棋）——人 + 機器勝過純人與純機器。
歷史的伏筆：Deep Blue 的勝利讓 AI 界誤以為「搜尋+知識」是正道——直到 2016 年 AlphaGo（見「2016-AlphaGo擊敗李世乭.md」）用深度學習評估取代手寫函數，才證明學習的評估函數遠勝手寫。
Deep Blue 現存於美國國家歷史博物館——符號 AI 巔峰的紀念碑。

關鍵人物與文獻#

IBM Deep Blue 團隊：C. Campbell, M. Hoane, F.-h. Hsu, AI Journal 134, 57 (2002)。
C. Shannon：〈Programming a Computer for Playing Chess〉, Philosophical Magazine 41, 256 (1950)。
A. Newell, J. Shaw, H. Simon：棋類搜尋先驅 (1958)。
相關案件：1956-Dartmouth會議.md、2016-AlphaGo擊敗李世乭.md。