Cajal Y Los Laboratorios De La Junta Para Ampliacin De

Total Page:16

File Type:pdf, Size:1020Kb

Cajal Y Los Laboratorios De La Junta Para Ampliacin De 3.6. EN TORNO AL AJEDRECISTA DE TORRES QUEVEDO. EL AJEDREZ EN LA HISTORIA DE LA COMPUTACIÓN Javier de Lope Asiaín Dpto. Inteligencia Artificial. Universidad Politécnica de Madrid. El ajedrez siempre ha sido considerado como el juego de juegos y circulan innumerables y bonitas leyendas relacionadas con su nacimiento, como la que indica que fue creado para demostrar a un rey que él solo, sin sus súbditos, no sería capaz de hacer nada, sobre sus componentes, el tablero, lo que representa cada una de las figuras, etc., o incluso como simple arte en la creación de juegos de piezas y tablero de los más caros y refinados materiales. Por otra parte, la inteligencia artificial en sus inicios siempre pretendía enfrentarse problemas en los que fuese necesaria una notable ración de inteligencia para resolverlos, pero que a la vez estuviesen perfectamente descritos en un mundo simulado, perdiendo así parte de lo que actualmente se entiende por inteligencia, es decir, eliminando toda la percepción el mundo exterior. Los juegos han sido fundamentales en el desarrollo de lo que se conoce como inteligencia artificial clásica. El entorno de juego, por ejemplo, el tablero, es perfectamente representable en un ordenador. Los objetivos están bien definidos, ganar a los adversarios. Las reglas del juego también están bien definidas y es seguro que no podrá suceder nada diferente, nuevo o imprevisto ya que en ese caso se consideraría ilegal. No es extraño, por tanto, que dado ese acercamiento del mundo de la inteligencia artificial al de los juegos, se haya tomado como referencia durante muchos años el ajedrez. El matemático ruso Alexander Kronrod ya lo definió hace algunos años como la drosophila melanogaster, la mosca de la fruta de la inteligencia artificial porque gracias a su gran dificultad es posible elaborar y probar muchas de las técnicas y estrategias que posteriormente pueden ser exportadas a otros ámbitos de investigación. Habitualmente, se toma como primer referente de una máquina que era capaz de jugar al ajedrez por sí sola a un ingenio mecánico creado por Wolfgang von Kempelen conocido como “el Turco” (Maelzel Chess Automaton) a mediados del siglo XVIII, la fecha exacta es un tanto confusa, pero las fuentes lo suelen datar en un año cercano a 1760. El Turco se trataba de un dispositivo puramente mecánico con apariencia de un turco que era capaz de disputar partidas completas de ajedrez. Von Kempelen solía mostrar las presuntas habilidades de su máquina tanto en ferias como en reuniones de la alta sociedad en la que permitía que las personas que allí se encontraban 326 J. de Lope Asiaín jugasen partidas contra su autómata. Quizá, la partida más famosa y referida de las disputadas fue la que entabló contra el propio Napoleón. El Turco estuvo en funcionamiento durante cerca de setenta años sirviendo de admiración a todas las personas que presenciaban el espectáculo, pero con el tiempo se descubrió que el presunto autómata capaz de desarrollar un juego inteligente se trataba de un fraude: los engranajes estaban realmente gobernados por una persona que se encontraba en su interior, según una leyenda, un fugitivo con las piernas amputadas. Si bien no nos sirve como una verdadera máquina inteligente capaz de resolver las partidas por ella misma, sí debe al menos hacerse referencia a ella por el valor de lo que es el propio ingenio estrictamente mecánico, que lamentablemente se perdió en un incendio, y porque sin lugar a dudas se trata de una referencia inicial obligada siempre que se traten temas de ajedrez por computadora desde un punto de vista histórico. Hecho este apunte inicial, el primer dispositivo que funcionaba en la realidad de forma autónoma se debe a Leonardo Torres y Quevedo y data de finales del siglo XIX, aproximadamente entre 1890 y 1914. Se trata de un dispositivo electromecánico que es capaz de disputar finales de rey-torre por el bando de las blancas contra rey negro que, como es sabido, es un final favorable al bando de las blancas. El autómata mueve las piezas blancas y es capaz de dar mate a un oponente humano en pocos movimientos, concretamente en unas 63 jugadas de media para el caso más desfavorable, es decir, el caso en el que el lado de las blancas no partan de una ventaja posicional inicial. El autómata en sí estaba basado en un conjunto de reglas concretas para el final de rey-torre contra rey que, como ya mencionamos antes, se trata de un En torno al ajedrecista de Torres Quevedo 327 final muy estudiado en ajedrez, en el que tiene la ventaja el jugador que tiene la torre. Si bien se trata de una partida muy simple y en la que habitualmente se da por vencedor al jugador que lleve la torre, tenemos que destacar que para el periodo en el que construyó se trataba de una solución muy destacable y avanzada. Probablemente, fue a partir de 1950 cuando con la ayuda de Claude Shannon se definieron las bases de lo que podrían ser verdaderas máquinas que jugasen al ajedrez y, en general, a casi cualquier tipo de juego de los que consideramos inteligentes. Shannon que contribuyó tanto en el desarrollo como en las bases de otras muchas disciplinas íntimamente relacionadas con la computación y las telecomunicaciones, describió cuáles eran las bases teóricas de un juego como el ajedrez y cómo se podía afrontar el problema de escribir un programa que jugase a al ajedrez para los ordenadores de la época. 328 J. de Lope Asiaín Básicamente, Shannon afirmaba que el ajedrez es un juego finito, en el que tarde o temprano, por la propia aplicación de las reglas de movimiento de cada una de las piezas de ambos bandos que están sobre el tablero se llega a una situación de victoria, derrota o tablas, situación de empate de ambos bandos en el ajedrez. Ser finito significa que existe un número finito de posiciones y que de cada una de éstas puede llegarse a un número finito de nuevas posiciones que, como dijimos anteriormente, están perfectamente definidas por las reglas de movimiento de las piezas. Entonces, el problema puede o, mejor dicho, podría resolverse recorriendo lo que se conoce como árbol de juego y seleccionando la alternativa del primer nivel del árbol que hace que el jugador para el que se está considerando o calculando el movimiento llegue a una posición de victoria. Un hipotético árbol de juego completo para el ajedrez estaría formado en su nivel superior o raíz por un nodo que representase el tablero con todas las piezas colocadas en su posición inicial. El segundo nivel estaría formado por todas los tableros a los que se puede llegar a partir de éste, como en el ajedrez el bando de las blancas es el que sale, se trataría los veinte tableros que fuesen salidas legales -otra cosa es que fuesen buenas o razonables- para el lado de las blancas: avanzar los ocho peones a la siguiente fila, avanzar los ocho peones dos filas y salir con los dos caballos en sus dos movimientos posibles. El siguiente nivel del árbol de juego estaría formado por las posibles contestaciones del jugador de negras a cada uno de los movimientos iniciales del jugador de blancas, por lo que a este nivel tendríamos otros veinte movimientos posibles para cada uno de los veinte movimientos iniciales. Y así sucesivamente. Como puede suponerse, el desarrollo completo del árbol de juego para el juego del ajedrez es inviable tanto en la época de Shannon como en la actualidad. Si consideramos que para un tablero cualquiera pueden realizarse una media de 32 movimientos1 y que una partida puede suponer también de media unos 40 movimientos por cada bando, podemos intuir que el número de nodos hoja en el último nivel de este árbol de juego medio sería de 3280, que es aproximadamente igual a 10120. Si la cifra no nos ha convencido a simple vista, podemos añadir que un siglo son 1016 microsegundos, por lo que si fuésemos capaces de generar una alternativa cada microsegundo, serían necesarios unos cuantos siglos para generar el árbol de juego completo. Desde el punto de vista de la ocupación en espacio de almacenamiento y de los mecanismos de acceso a la información se podrían hacer comentarios similares. Dada esta imposibilidad de generar el árbol de juego completo, Shannon enuncia dos posibles estrategias que se pueden seguir a la hora de reducir el proceso de búsqueda en el árbol de juego. La primera de ellas, a la que él mismo se refería como estrategia de tipo A, se basa en considerar el árbol de juego hasta una cierta profundidad para posteriormente determinar 1 Ya hemos visto que inicialmente partimos con veinte movimientos, para finales y el resto de la apertura normalmente son menos también, pero en el juego medio el número de movimientos puede ser considerablemente elevado. En torno al ajedrecista de Torres Quevedo 329 heurísticamente cuánto de bueno es un tablero con relación a un jugador, concretamente, para el jugador que se está intentando determinar su mejor jugada. De esta forma, estamos introduciendo dos de los componentes básicos de un motor de búsqueda heurística genérico como son el expansor de los nodos, lo que se denomina como generador de movimientos en juegos, y la propia heurística o función de evaluación. El generador de movimientos es un módulo muy importante y es el que se atribuye la mayor parte del consumo computacional en todo el proceso. Es el encargado de generar las siguientes posibilidades de tableros a partir de un tablero dado por la simple aplicación de las reglas del juego. Por así decirlo, es un módulo en el que reside el movimiento acerca de los movimientos legales de las piezas.
Recommended publications
  • English for It Students
    УКРАЇНА НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ БІОРЕСУРСІВ І ПРИРОДОКОРИСТУВАННЯ УКРАЇНИ Кафедра англійської філології Ямнич Н. Ю., Данькевич Л. Р. ENGLISH FOR IT STUDENTS 1 УДК: 811.111(072) Навчальний посібник з англійської мови розрахований на студентів вищих навчальних закладів зі спеціальностей «Комп”ютерні науки» та «Програмна інженерія». Мета видання – сприяти розвитку і вдосконаленню у студентів комунікативних навичок з фаху, навичок читання та письма і закріплення навичок з граматики, а також активізувати навички автономного навчання. Посібник охоплює теми актуальні у сучасному інформаційному середовищі, що подаються на основі автентичних професійно спрямованих текстів, метою яких є розвиток у студентів мовленнєвої фахової компетенції, що сприятиме розвитку логічного мислення. Добір навчального матеріалу відповідає вимогам навчальної програми з англійської мови. Укладачі: Л.Р. Данькевич, Н.Ю. Ямнич, Рецензенти: В. В. Коломійцева, к. філол. н., доцент кафедри сучасної української мови інституту філології Київського національного університету імені Тараса Шевченка В.І. Ковальчук, д. пед. наук, професор,завідувач кафедри методики навчання та управління навчальними закладами НУБіП України Кравченко Н. К., д. філ. наук, професор кафедри англійської філології і філософії мови ім. професора О. М. Мороховського, КНЛУ Навчальний посібник з англійської мови для студентів факультету інформаційних технологій. – К.: «Компринт», 2017. – 608 с. ISBN Видання здійснено за авторським редагуванням Відповідальний за випуск: Н.Ю.Ямнич ISBN © Н. Ю. Ямнич, Л.Д. Данькевич, 2017 2 CONTENTS Unit 1 Higher Education 5 Language practice. Overview of verb tenses 18 Unit 2 Jobs and careers 25 Language practice. Basic sentence structures 89 Unit 3 Tied to technology 103 Language practice. Modal verbs 115 Unit 4 Computers 135 Language practice. Passive 153 Unit 5 Communication. E –commerce 167 Language practice.
    [Show full text]
  • Biography of N. N. Luzin
    BIOGRAPHY OF N. N. LUZIN http://theor.jinr.ru/~kuzemsky/Luzinbio.html BIOGRAPHY OF N. N. LUZIN (1883-1950) born December 09, 1883, Irkutsk, Russia. died January 28, 1950, Moscow, Russia. Biographic Data of N. N. Luzin: Nikolai Nikolaevich Luzin (also spelled Lusin; Russian: НиколайНиколаевич Лузин) was a Soviet/Russian mathematician known for his work in descriptive set theory and aspects of mathematical analysis with strong connections to point-set topology. He was the co-founder of "Luzitania" (together with professor Dimitrii Egorov), a close group of young Moscow mathematicians of the first half of the 1920s. This group consisted of the higly talented and enthusiastic members which form later the core of the famous Moscow school of mathematics. They adopted his set-theoretic orientation, and went on to apply it in other areas of mathematics. Luzin started studying mathematics in 1901 at Moscow University, where his advisor was professor Dimitrii Egorov (1869-1931). Professor Dimitrii Fedorovihch Egorov was a great scientist and talented teacher; in addition he was a person of very high moral principles. He was a Russian and Soviet mathematician known for significant contributions to the areas of differential geometry and mathematical analysis. Egorov was devoted and openly practicized member of Russian Orthodox Church and active parish worker. This activity was the reason of his conflicts with Soviet authorities after 1917 and finally led him to arrest and exile to Kazan (1930) where he died from heavy cancer. From 1910 to 1914 Luzin studied at Gottingen, where he was influenced by Edmund Landau. He then returned to Moscow and received his Ph.D.
    [Show full text]
  • Penultimate Self-Produced Version. Published in the Journal Paradigmi
    View metadata, citation and similar papers at core.ac.uk brought to you by CORE provided by Archivio della ricerca - Università degli studi di Napoli Federico II Penultimate self-produced version. Published in the journal Paradigmi 33(3), pp. 163-178. DOI: 10.3280/PARA2015-003010 GUGLIELMO TAMBURRINI* MACHINE INTELLIGENCE SPORTS AS RESEARCH PROGRAMS Abstract: Games and competitions have played a significant role throughout the history of artificial intelligence and robotics. Machine intelligence games are examined here from a distinctive methodological perspective, focusing on their use as generators of multidisciplinary research programs. In particular, Robocup is analyzed as an exemplary case of contemporary research program developing from machine intelligence games. These research programs arising are schematized in terms of framework building, subgoaling, and outcome appraisal processes. The latter process is found to involve a rather intricate system of rewards and penalties, which take into account the double allegiance of participating scientists, trading and sharing interchanges taking place in a multidisciplinary research environment, in addition to expected industrial payoffs and a variety of other fringe research benefits in the way of research outreach and results dissemination, recruitment of junior researchers and students enrollment. Key words: double allegiance of scientists, machine intelligence games, methodology of AI, methodology of robotics, multidisciplinary research, research gamification. Parole chiave: doppia
    [Show full text]
  • Book 01 Intro
    Linguistic Geometry From Search to Construction Boris Stilman University of Colorado at Denver & Stilman Advanced Strategies, LLC To order this book contact Kluwer Academic Publishers at http://www.wkap.nl/series.htm/ORCS Kluwer Academic Publishers Boston Dordrecht London Copyright © 1999 by Boris Stilman. All rights reserved. No part of this publication may be reproduced, stored in a database retrieval system, distributed, or transmitted, in any form or by any other means, electronic, mechanical, photocopying, recording, or otherwise, without the prior written permission of Boris Stilman. PREFACE This book is neither about linguistics nor geometry. It is about search problems. Linguistic Geometry (LG) is an approach to construction of mathematical models for knowledge representation and reasoning about large-scale multiagent systems. A number of such systems (formally defined here as Complex Systems), including air/space combat, robotic manufacturing, software re-engineering, Internet cyberwar, etc. can be modeled as abstract board games. These are multi-player games whose moves can be represented by means of moving abstract pieces over locations on an abstract board. The dimensions of the board (2D, nD, and even non-linear space), its shape and size, the mobility of pieces, the turn of moves (including concurrent moves) – all can be tailored to model a variety of multiagent systems. Thus abstract board games are understood here as a class of Complex Systems. The purpose of LG is to provide strategies to guide the participants of a game to reach their goals. Traditionally, finding such strategies required searches in giant game trees. Such searches are often beyond capabilities of modern and even conceivable future computers.
    [Show full text]
  • Trabajo De Fin De Máster
    MÁSTER EN FORMACIÓN DE PROFESORADO DE EDUCACIÓN SECUNDARIA Y BACHILLERATO Título: La educación matemática en Rusia y los Círculos Matemáticos Autor: Daniel Grilo Bartolomé Director: Dr. Carlo Giovanni Madonna TRABAJO DE FIN DE MÁSTER Curso: 2014/2015 La educación matemática en Rusia y los Círculos Matemáticos “Aritmética mental en la escuela pública de Rachimsky” de N. P. Bogdanov-Belsky (1895) (El Dibujante 2.0: un ejercicio complicado, 2015) El problema escrito en la pizarra, consiste en calcular mentalmente el valor de: Already before the war, Mekh-Mat operated mathematical kruzhoks for Moscow’s elementary school students. In a kruzhok for seventh graders I tried to teach the differential and integral calculus through problems. The students learned the material after a minimal amount of training and learned it far better than high school students. (Landis, 1993, p. 57) Ya antes de la Guerra, existían los Círculos Matemáticos en la Facultad de Mecánica y Matemáticas dirigidos a los estudiantes de primaria y secundaria de Moscú. En un Círculo para alumnos de séptimo grado, enseñé cálculo diferencial e integral, a través de problemas matemáticos. Los alumnos aprendieron los contenidos después de un cierto entrenamiento y lo hicieron bastante mejor que los alumnos de secundaria en sus clases ordinarias. (Traducción del autor de Landis, 1993, p. 57) Once the remarkable Soviet geometer Boris Nikolaevich Delone, appearing before his pupils, expressed the idea that the only difference between a great scientific discovery and a good Olympiad problem is that solving the Olympiad problem requires 5 hours but finding a powerful scientific result requires an investment of 5000 hours.
    [Show full text]
  • Python: Sunfish Chess Engine Jonni Bidwell Analyses the Innards of a Small but Perfectly Formed Chess Engine That Bests Him with Alarming Regularity
    Python Python: Sunfish chess engine Jonni Bidwell analyses the innards of a small but perfectly formed chess engine that bests him with alarming regularity. whatever the quantity this might be, I desire to receive it”. The king soon realised that there was not enough wheat in the world to fulfil this demand, and once again was impressed. There are various endings to this story, in one Sissa is given a position within the king’s court, in another he is executed for being a smart arse. Hopefully this tutorial’s Our chess treatment will feature neither execution nor LXF towers expert being buried in mountains of wheat. Jonni Bidwell Chess is a complicated game – all the pieces move is rumoured to be differently depending on their circumstances, there are a mechanical Turk, various extraordinary moves (eg en passent pawn capture, it would explain the rat-a-tat of castling) and pawns get promoted if they make it all the way gears as he to the other side. As a result, a surfeit of pitfalls present produces words in exchange for themselves to the chess-programming dilettante, so rather bread and beer. than spending a whole tutorial falling into traps we’re going to borrow the code from Thomas Ahle’s Sunfish – a complete chess engine programmed in Python. There’s no shortage of chess engines: from the classic GNU Chess to the Kasparov- beating Deep Blue (1997) to the pack-leading Stockfish. Chess engines on their own generally do not come with their own GUI, their code being mostly devoted to the not inconsiderable problem of finding the best move for a given position.
    [Show full text]
  • Competitions, Controversies, and Computer Chess
    Competitions, Controversies, and Computer Chess I. Introduction Claude Shannon was a remarkable scientist. In 1948 he developed a branch of mathematics known as information theory, which allowed for a quantification of what information is, and directly led to solutions in such varied problems as encryption, compression, and error correction. One of his lesser-known publications was Programming a Computer for Playing Chess, which appeared in 1950 and became the ground-breaking statement of the problem. [Shannon 1950] At the time the play of the best chess algorithm was described as "aimless." [Turing 1953] Today a computer has beaten the reigning world champion. In 1950 there were no programs that played chess, and Alan Turing, among others, tested their algorithm by working through every step by hand, with paper and pencil. The Deep Blue computer that beat the World Champion Garry Kasparov in 1997 had 256 processors, together capable of analyzing 200 million moves per second. [King 1997] There have been many incremental improvements and some significant ones, but on the whole Deep Blue remained just a much faster version of Turing's hand simulations, following the rules Shannon specified in his exposition. Deep Blue has no intelligence: it is not capable of realizing its errors and improving its own play. It is capable of billions of operations per second. Is this the only possible way for a computer to play chess? Many have disagreed, and hope to build a computer that makes "intelligent" decisions. Still, all of their attempts so far have failed. This paper will look at the approaches used for chess play in some detail, tracing their development, their weaknesses and strengths, and finally why one has prospered while the other has been largely a failure.
    [Show full text]
  • Is Chess the Drosophila of Artificial Intelligence? a Social History of an Algorithm
    424596SSSXXX10.1177/0306312711424596EnsmengerSocial Studies of Science Social Studies of Science 42(1) 5 –30 Is chess the drosophila © The Author(s) 2011 Reprints and permission: sagepub. of artificial intelligence? co.uk/journalsPermissions.nav DOI: 10.1177/0306312711424596 A social history sss.sagepub.com of an algorithm Nathan Ensmenger School of Information, University of Texas at Austin, Austin, TX, USA Abstract Since the mid 1960s, researchers in computer science have famously referred to chess as the ‘drosophila’ of artificial intelligence (AI). What they seem to mean by this is that chess, like the common fruit fly, is an accessible, familiar, and relatively simple experimental technology that nonetheless can be used productively to produce valid knowledge about other, more complex systems. But for historians of science and technology, the analogy between chess and drosophila assumes a larger significance. As Robert Kohler has ably described, the decision to adopt drosophila as the organism of choice for genetics research had far-reaching implications for the development of 20th century biology. In a similar manner, the decision to focus on chess as the measure of both human and computer intelligence had important and unintended consequences for AI research. This paper explores the emergence of chess as an experimental technology, its significance in the developing research practices of the AI community, and the unique ways in which the decision to focus on chess shaped the program of AI research in the decade of the 1970s. More broadly, it attempts to open up the virtual black box of computer software – and of computer games in particular – to the scrutiny of historical and sociological analysis.
    [Show full text]
  • 5 Adversarial Search
    5 ADVERSARIAL SEARCH In which we examine the problems that arise when we try to plan ahead in a world where other agents are planning against us. 5.1 GAMES Chapter 2 introduced multiagent environments, in which each agent needs to consider the actions of other agents and how they affect its own welfare. The unpredictability of these other agents can introduce contingencies into the agent’s problem-solving process, as dis- cussed in Chapter 4. In this chapter we cover competitive environments, in which the agents’ GAME goals are in conflict, giving rise to adversarial search problems—often known as games. Mathematical game theory, a branch of economics, views any multiagent environment as a game, provided that the impact of each agent on the others is “significant,” regardless of whether the agents are cooperative or competitive.1 In AI, the most common games are of a rather specialized kind—what game theorists call deterministic, turn-taking, two-player, ZERO-SUM GAMES zero-sum games of perfect information (such as chess). In our terminology, this means PERFECT INFORMATION deterministic, fully observable environments in which two agents act alternately and in which the utility values at the end of the game are always equal and opposite. For example, if one player wins a game of chess, the other player necessarily loses. It is this opposition between the agents’ utility functions that makes the situation adversarial. Games have engaged the intellectual faculties of humans—sometimes to an alarming degree—for as long as civilization has existed. For AI researchers, the abstract nature of games makes them an appealing subject for study.
    [Show full text]
  • A Gamut of Games
    AI Magazine Volume 22 Number 3 (2001) (© AAAI) Articles A Gamut of Games Jonathan Schaeffer I In 1950, Claude Shannon published his seminal make this amazing feat possible. Often over- work on how to program a computer to play chess. looked, however, is that this result was also a Since then, developing game-playing programs testament to human abilities. Considering the that can compete with (and even exceed) the abil- formidable computing power that DEEP BLUE ities of the human world champions has been a used in its 1997 exhibition match against long-sought-after goal of the AI research commu- world chess champion Garry Kasparov nity. In Shannon’s time, it would have seemed (machine: 200,000,000 chess positions a sec- unlikely that only a scant 50 years would be need- ond; man: 2 a second), one can only admire ed to develop programs that play world-class backgammon, checkers, chess, Othello, and Scrab- the human champions for withstanding the ble. These remarkable achievements are the result technological onslaught for so long. of a better understanding of the problems being Computer game research was started by solved, major algorithmic insights, and tremen- some of the luminaries in computing science dous advances in hardware technology. Computer history. In 1950, Claude Shannon published games research is one of the important success sto- his seminal paper that laid out the framework ries of AI. This article reviews the past successes, for building high-performance game-playing current projects, and future research directions for programs (Shannon 1950). In 1951, Alan Tur- AI using computer games as a research test bed.
    [Show full text]
  • Chess, Games, and Flies Stefano Franchi University of Auckland
    View metadata, citation and similar papers at core.ac.uk brought to you by CORE provided by CommonKnowledge Essays in Philosophy Volume 6 Article 6 Issue 1 The Philosophy of Technology 1-2005 Chess, Games, and Flies Stefano Franchi University Of Auckland Follow this and additional works at: http://commons.pacificu.edu/eip Part of the Philosophy Commons Recommended Citation Franchi, Stefano (2005) "Chess, Games, and Flies," Essays in Philosophy: Vol. 6: Iss. 1, Article 6. Essays in Philosophy is a biannual journal published by Pacific nivU ersity Library | ISSN 1526-0569 | http://commons.pacificu.edu/eip/ Essays in Philosophy Essays in Philosophy A Biannual Journal Vol. 6, No. 1, January 2005 Chess, Games, and Flies Abstract Research in Artificial Intelligence has always had a very strong relationship with games and game- playing, and especially with chess. Workers in AI have always denied that this interest was more than purely accidental. Parlor games, they claimed, became a favorite topic of interest because they provided the ideal test case for any simulation of intelligence. Chess is the Drosophila of AI, it was said, with reference to the fruit-fly whose fast reproductive cycle made it into a favorite test bed for genetic theories for almost a century. In this paper I will try to show Artificial Intelligence’s relationship to games is quite different from what this analogy suggests. In fact, I will argue that AI is, at core, a theory of games and a theory of subjectivity as game-playing. 1. Games, game-playing and game theory. It is well-known that research in Artificial Intelligence has always had a very strong relationship with games and game-playing.
    [Show full text]
  • Is Chess the Drosophila of Artificial Intelligence? a Social History of an Algorithm
    424596 SSSXX X10.1177/0306312711424596EnsmengerSocial Studies of Science Social Studies of Science 42(1) 5 –30 Is chess the drosophila © The Author(s) 2011 Reprints and permission: sagepub. of artificial intelligence? co.uk/journalsPermissions.nav DOI: 10.1177/0306312711424596 A social history sss.sagepub.com of an algorithm Nathan Ensmenger School of Information, University of Texas at Austin, Austin, TX, USA Abstract Since the mid 1960s, researchers in computer science have famously referred to chess as the ‘drosophila’ of artificial intelligence (AI). What they seem to mean by this is that chess, like the common fruit fly, is an accessible, familiar, and relatively simple experimental technology that nonetheless can be used productively to produce valid knowledge about other, more complex systems. But for historians of science and technology, the analogy between chess and drosophila assumes a larger significance. As Robert Kohler has ably described, the decision to adopt drosophila as the organism of choice for genetics research had far-reaching implications for the development of 20th century biology. In a similar manner, the decision to focus on chess as the measure of both human and computer intelligence had important and unintended consequences for AI research. This paper explores the emergence of chess as an experimental technology, its significance in the developing research practices of the AI community, and the unique ways in which the decision to focus on chess shaped the program of AI research in the decade of the 1970s. More broadly, it attempts to open up the virtual black box of computer software – and of computer games in particular – to the scrutiny of historical and sociological analysis.
    [Show full text]