1997 年 5 月，纽约。IBM 的深蓝在国际象棋六局对抗里以总比分赢下世界冠军卡斯帕罗夫，机器首次在正式比赛中战胜在位的国际象棋世界冠军。这是 AI 历史上常被引用的事件，但深蓝赢棋这件事本身，与其说是 AI 的胜利，不如说是把一条路线的强度标了出来——它靠的是搜索，而搜索和理解是两回事。
这场棋局的公开脉络
比赛的进程分两段。1996 年 2 月第一场六局对抗，卡斯帕罗夫以明显优势获胜，但深蓝赢下其中一局，机器在正常时限下首次赢过世界冠军一盘。1997 年 5 月的复赛，升级后的深蓝以 3.5 比 2.5 取胜，人类世界冠军在正式比赛中输给了机器。
深蓝赢棋的方式也有公开细节可查：它每秒能评估大量候选局面——以 IBM 公布的口径是上亿量级——再用人工编写的评估函数给每个局面打分，选分数最高的走法。评估函数怎么权衡子力、位置、王的安全，是工程师和国际象棋顾问一起调出来的。换句话说，深蓝的棋艺来自「算得快」加「规则写得好」，从数据中学习的成分很少，这和今天大模型的成长方式几乎是两条路。
深蓝的比赛与原理速查
- 1996 年首战：卡斯帕罗夫胜，深蓝赢下一局
- 1997 年复赛：深蓝以 3.5 比 2.5 取胜
- 方法：高速搜索加人工评估函数，不靠从数据中学习
- 遗产：证明专用机器能在封闭规则游戏里压过人类
为什么说赢棋不等于理解
判断可以从三处看。深蓝并不「知道」自己在下棋：它没有关于棋盘、棋子和对手的概念，只有局面数据和分数；换一个规则相似的游戏，整套系统基本作废，得从头再来；它也无法解释为什么这么走——评估函数输出的是数值，讲不出战术思想。人类棋手靠模式和理解在几万种可能里挑出三五步细算，深蓝靠算力把上亿种可能都过一遍，殊途同归的那一步棋，背后的过程完全不同。
这个区分在更早的年代就有伏笔。香农 1950 年发表的机器下棋论文，把下棋当作研究机器解决复杂问题的模型，见香农一篇；图灵测试讨论的则是机器能不能像人，见图灵测试一篇。深蓝证明的是前者：封闭规则、明确目标、可海量搜索的任务，机器可以做得很好。至于「像不像会思考的人」，深蓝给不出答案。
搜索路线和它的边界
深蓝之后，搜索这条路线继续在规则明确的游戏里推进，但它的边界也看得越来越清楚：任务越开放、规则越模糊，需要搜索的空间越大，暴力算法就越算不过来。真实世界恰恰是开放的——对话没有固定走法，写文章没有明确胜负，下棋赢了世界冠军，对写一首诗帮不上忙。
分水岭在 2016 年出现。AlphaGo 把神经网络学来的「棋感」和搜索结合起来，走出人类棋谱之外的落子，见AlphaGo 第 37 手一篇。同样是下棋，路线已经换了：从人工写规则，变成从数据里学。再往后大模型把这条路线推到对话、写作、编程这些开放任务上，今天你让 Kimi 帮忙改稿、让 DeepSeek 写代码、拿豆包查资料，用的都是「学习」这条延长线——深蓝那条「搜索」的线，反而成了专用领域里的配角。
| 维度 | 深蓝 | AlphaGo |
|---|---|---|
| 方法 | 高速搜索加人工编写的评估函数 | 神经网络学棋感，搜索负责在关键分支上算清细节 |
| 规则从哪来 | 工程师和国际象棋顾问一起调出来 | 从棋谱与自我对弈的数据里学 |
| 证明了什么 | 专用机器能在封闭规则游戏里压过人类 | 学习这条路线的强度 |
棋局之后留下了什么
以公开报道看，比赛结束后 IBM 没有安排再战，深蓝随后退役，部分硬件进了展览。它作为产品的生命很短，作为标志的生命很长：此后二十多年，「机器战胜人类」的叙事每被提起一次，深蓝就被引用一次。它也给后来者留了一个评估框架——判断一次「机器胜人」事件，先问三个问题：任务是不是封闭的？方法靠学习还是靠搜索？换成开放场景还成立吗？
用这个框架看今天的大模型成绩单同样适用。各项基准测试的高分是封闭任务的分数，真实任务的落差需要自己实测；至于规模一路加大能带来什么，依据与边界见Scaling Law一篇。深蓝那场胜利没有被高估，它只是常常被误读——它证明的是一条路线的强度，而非 AI 的终点，也非理解的开端。
关于深蓝的三问三答
- 深蓝和 AlphaGo 是一回事吗？：不同。深蓝靠人工评估函数加大规模搜索，AlphaGo 用神经网络从棋谱和自我对弈中学习再结合搜索，两者的技术路线隔了整整一代。
- 卡斯帕罗夫对结果有异议吗？：有公开记载，他对个别对局的机器表现提出过疑问，IBM 否认了人工干预，相关争论细节以公开报道为准。
- 现在的 AI 下棋超过深蓝了吗？：从公开对局看，结合学习的现代棋类引擎实力远超当年，但它们和深蓝证明了不同的东西，不好直接比较。
