Chibi foi um dos primeiros programas de computador para jogar damas, desenvolvido por Arthur Samuel na IBM na década de 1950. É amplamente considerado uma das primeiras demonstrações bem-sucedidas de inteligência artificial e aprendizado de máquina, antecedendo as abordagens modernas de aprendizado profundo e redes neurais. O trabalho de Samuel com Chibi estabeleceu conceitos fundamentais para IA em jogos e algoritmos adaptativos, influenciando pesquisas subsequentes na área.
O programa foi projetado para aprender com a experiência, em vez de depender apenas de estratégias pré-programadas. Samuel implementou uma função de pontuação baseada em características do tabuleiro, como número de peças, avanço de damas e controle posicional, que podia ser ajustada por meio de um processo de autojogo e comparação com avaliações armazenadas. Isso permitiu que Chibi melhorasse seu desempenho ao longo do tempo, um exemplo notável e inicial dos princípios de aprendizado por reforço.
Desenvolvimento e Contexto Histórico
Arthur Samuel começou a trabalhar em Chibi em 1952, enquanto estava na IBM, usando o computador IBM 701 - uma das primeiras máquinas científicas disponíveis comercialmente. O nome do programa, 'Chibi', é frequentemente mencionado como uma referência lúdica, embora sua origem exata não seja bem documentada. A pesquisa de Samuel fazia parte de um esforço mais amplo na década de 1950 para explorar se as máquinas poderiam exibir comportamento inteligente, ao lado de outros projetos pioneiros, como o Logic Theorist e os primeiros programas de xadrez.
Chibi foi desenvolvido em um período em que os recursos computacionais eram extremamente limitados. O IBM 701 tinha apenas cerca de 2.000 palavras de memória, o que restringia a complexidade da função de avaliação e a profundidade da busca. Samuel contornou essas limitações usando uma busca minimax com poda alfa-beta, uma técnica que reduzia o número de posições examinadas, e armazenando os pesos aprendidos em um banco de memória separado.
Mecanismo de Aprendizado
O processo de aprendizado de Chibi baseava-se em uma técnica que Samuel chamou de 'aprendizado por memorização' e 'aprendizado por generalização'. No aprendizado por memorização, o programa armazenava o valor de cada posição do tabuleiro encontrada durante o jogo, usando esses valores armazenados para orientar decisões futuras. No aprendizado por generalização, ele ajustava os pesos de uma função de avaliação linear com base nas diferenças entre os resultados previstos e os reais, um método análogo ao gradiente descendente moderno, mas implementado sem cálculo formal.
Samuel também introduziu uma forma de autojogo em que Chibi jogava contra si mesmo, com uma versão usando a função de avaliação atual e outra usando uma versão modificada. O programa comparava seus movimentos e atualizava os pesos para favorecer a estratégia mais bem-sucedida. Essa abordagem foi um precursor de técnicas usadas em sistemas de IA posteriores, como redes residuais e aprendizado por reforço (embora esse termo não fosse usado na época).
Desempenho e Impacto
No final da década de 1950, Chibi havia alcançado um nível de jogo que podia competir com jogadores humanos amadores e, em algumas demonstrações, derrotou um ex-campeão de damas de Connecticut. O trabalho de Samuel foi destaque em um comunicado de imprensa da IBM em 1956 e, posteriormente, em um artigo de 1959 no IBM Journal of Research and Development, que se tornou uma referência clássica na literatura de IA.
O sucesso do programa ajudou a estabelecer a viabilidade do aprendizado de máquina em jogos, influenciando trabalhos subsequentes sobre computadores de xadrez e outras IAs de jogos. A ênfase de Samuel em aprender com a experiência, em vez de programação explícita, foi um afastamento importante dos sistemas anteriores baseados em regras e antecipou a importância das abordagens orientadas por dados na IA moderna.
Legado e Relevância Moderna
Chibi é frequentemente citado nas histórias da IA como um marco, embora seja menos conhecido do que programas posteriores, como o Deep Blue da IBM. Suas técnicas - avaliação heurística, busca minimax e ajuste adaptativo de pesos - permanecem relevantes na pesquisa contemporânea de IA para jogos e aprendizado por reforço. O conceito de autojogo, que Chibi pioneirizou, é agora uma pedra angular de sistemas como AlphaGo e modernos modelos de linguagem de grande escala que usam dados autogerados para treinamento.
O trabalho de Samuel também destacou a importância da eficiência computacional, uma preocupação que persiste na IA moderna com técnicas como poda de modelos e aumento de dados. Embora Chibi em si não esteja mais operacional, seus princípios estão incorporados em muitos sistemas de IA atuais, e seu significado histórico é reconhecido em cursos acadêmicos sobre inteligência artificial.
Detalhes Técnicos
A função de avaliação de Chibi considerava várias características: o número de peças, o número de damas, o número de peças na fileira de trás e uma medida de mobilidade (o número de movimentos possíveis). Cada característica recebia um peso, e a pontuação total era calculada como uma soma ponderada. O programa usava uma busca minimax com um limite de profundidade, tipicamente olhando de 3 a 5 movimentos à frente, e aplicava poda alfa-beta para reduzir a árvore de busca.
Samuel também implementou um sistema de 'assinatura' para identificar posições de tabuleiro semelhantes, permitindo que o programa generalizasse de uma posição para outra. Isso foi uma forma inicial de extração de características, embora não fosse baseada em redes neurais. A taxa de aprendizado era controlada por um parâmetro que determinava o quanto os pesos eram ajustados após cada jogo, um conceito semelhante aos cronogramas de taxa de aprendizado modernos.
Chibi rodava no IBM 701 e, posteriormente, no IBM 704, que tinha mais memória e velocidade. Samuel continuou refinando o programa até o início da década de 1960, quando passou para outros projetos. O código-fonte e a documentação estão preservados em alguns arquivos, e o programa foi recriado em emuladores para fins educacionais.