Chibi는 1950년대 IBM에서 Arthur Samuel이 개발한 초기 컴퓨터 체커(드라우츠) 프로그램이다. 이 프로그램은 현대의 딥러닝과 신경망 접근법보다 앞선, 인공 지능과 머신 러닝의 최초의 성공적인 시연 중 하나로 널리 간주된다. Samuel의 Chibi 작업은 게임 플레이 AI와 적응형 알고리즘의 기초 개념을 마련했으며, 이후 이 분야의 연구에 영향을 미쳤다.
이 프로그램은 사전에 프로그래밍된 전략에만 의존하지 않고 경험을 통해 학습하도록 설계되었다. Samuel은 말 수, 킹 승진, 위치 통제와 같은 보드 특징에 기반한 점수 함수를 구현했으며, 이는 자가 플레이와 저장된 평가와의 비교 과정을 통해 조정될 수 있었다. 이를 통해 Chibi는 시간이 지남에 따라 플레이를 개선할 수 있었으며, 이는 강화 학습 원리의 주목할 만한 초기 사례였다.
개발 및 역사적 배경
Arthur Samuel은 1952년 IBM에서 IBM 701 컴퓨터 - 최초의 상업용 과학 컴퓨터 중 하나 - 를 사용하여 Chibi 작업을 시작했다. 프로그램의 이름 'Chibi'는 종종 장난스러운 언급으로 언급되지만, 그 정확한 기원은 잘 문서화되어 있지 않다. Samuel의 연구는 1950년대에 기계가 지능적인 행동을 보일 수 있는지 탐구하려는 더 넓은 노력의 일부였으며, Logic Theorist와 초기 체스 프로그램과 같은 다른 선구적인 프로젝트와 함께 이루어졌다.
Chibi는 컴퓨팅 자원이 극도로 제한되었던 시기에 개발되었다. IBM 701은 메모리가 약 2,000단어에 불과하여 평가 함수와 탐색 깊이의 복잡성을 제약했다. Samuel은 검사되는 위치 수를 줄이는 알파-베타 가지치기를 사용한 미니맥스 탐색과 학습된 가중치를 별도의 메모리 뱅크에 저장함으로써 이러한 한계를 우회했다.
학습 메커니즘
Chibi의 학습 과정은 Samuel이 '암기 학습'과 '일반화 학습'이라고 부른 기술에 기반했다. 암기 학습에서 프로그램은 플레이 중 마주친 각 보드 위치의 값을 저장하고, 이러한 저장된 값을 사용하여 향후 결정을 안내했다. 일반화 학습에서는 예측된 결과와 실제 결과의 차이에 기반하여 선형 평가 함수의 가중치를 조정했는데, 이는 공식적인 미적분 없이 구현된 현대 경사 하강법과 유사한 방법이었다.
Samuel은 또한 Chibi가 자신과 대결하는 자가 플레이의 형태를 도입했는데, 한 버전은 현재 평가 함수를 사용하고 다른 버전은 수정된 버전을 사용했다. 프로그램은 그들의 움직임을 비교하고 더 성공적인 전략을 선호하도록 가중치를 업데이트했다. 이 접근법은 잔차 네트워크와 강화 학습과 같은 이후 AI 시스템에서 사용된 기술의 선구자였다 (후자의 용어는 그 당시 사용되지 않았지만).
성능 및 영향
1950년대 후반까지 Chibi는 아마추어 인간 플레이어와 경쟁할 수 있는 수준의 플레이를 달성했으며, 일부 시연에서는 전 코네티컷 체커 챔피언을 이겼다. Samuel의 작업은 1956년 IBM 보도 자료와 이후 1959년 IBM Journal of Research and Development의 기사에 소개되었으며, 이는 AI 문헌에서 고전적인 참고 자료가 되었다.
프로그램의 성공은 게임 플레이에서 머신 러닝의 실행 가능성을 확립하는 데 도움이 되었으며, 체스 컴퓨터 및 기타 게임 AI에 대한 후속 작업에 영향을 미쳤다. 명시적 프로그래밍보다 경험으로부터 학습하는 것에 대한 Samuel의 강조는 초기 규칙 기반 시스템과의 주요 차별점이었으며, 현대 AI에서 데이터 중심 접근법의 중요성을 예견했다.
유산 및 현대적 관련성
Chibi는 AI의 역사에서 이정표로 자주 인용되지만, IBM의 Deep Blue와 같은 후기 프로그램보다는 덜 알려져 있다. 그 기술 - 휴리스틱 평가, 미니맥스 탐색, 적응형 가중치 조정 - 은 현대 게임 AI와 강화 학습 연구에서 여전히 관련이 있다. Chibi가 개척한 자가 플레이의 개념은 이제 AlphaGo와 훈련을 위해 자체 생성 데이터를 사용하는 현대 대규모 언어 모델과 같은 시스템의 초석이 되었다.
Samuel의 작업은 또한 계산 효율성의 중요성을 강조했으며, 이는 모델 가지치기와 데이터 증강과 같은 기술을 사용하는 현대 AI에서도 지속되는 우려 사항이다. Chibi 자체는 더 이상 작동하지 않지만, 그 원리는 많은 현재 AI 시스템에 내재되어 있으며, 그 역사적 중요성은 인공 지능에 관한 학술 과정에서 인정받고 있다.
기술적 세부 사항
Chibi의 평가 함수는 여러 특징을 고려했다: 말 수, 킹 수, 뒷줄의 말 수, 기동성(가능한 움직임의 수)의 측정. 각 특징에는 가중치가 할당되었고, 총 점수는 가중 합으로 계산되었다. 프로그램은 깊이 제한이 있는 미니맥스 탐색을 사용했으며, 일반적으로 3~5수 앞을 내다보았고, 탐색 트리를 줄이기 위해 알파-베타 가지치기를 적용했다.
Samuel은 또한 유사한 보드 위치를 식별하는 '시그니처' 시스템을 구현하여 프로그램이 한 위치에서 다른 위치로 일반화할 수 있게 했다. 이는 초기 형태의 특징 추출이었지만, 신경망에 기반하지는 않았다. 학습률은 각 게임 후 가중치가 조정되는 정도를 결정하는 매개변수에 의해 제어되었으며, 이는 현대 학습률 스케줄과 유사한 개념이다.
Chibi는 IBM 701에서 실행되었고, 이후 더 많은 메모리와 속도를 가진 IBM 704에서 실행되었다. Samuel은 1960년대 초까지 프로그램을 계속 개선했으며, 그 후 다른 프로젝트로 이동했다. 소스 코드와 문서는 일부 아카이브에 보존되어 있으며, 프로그램은 교육 목적으로 에뮬레이터에서 재현되었다.