DeepMind創始人Demis Hassabis專訪：讓AI更聰明的秘密就在人類自己身上

雷鋒網 AI科技評論按：近日，DeepMind創始人Demis Hassabis接受了The Verge的專訪，他認為，讓AI更聰明的方法就在人類自己身上：人工智慧和神經科學兩個領域是相輔相承的，兩者能相互學習，相互促進。

圖：DeepMind創始人Demis Hassabis

雷鋒網 AI科技評論編譯如下：

幾十年的淡出之後，AI又大搖大擺的回到人們的視野中。有了廉價的計算機設備和大量的數據集，研究人員像煉金士般將演算法變成黃金，矽谷科技巨頭的雄厚財力(和市場佔有率)也絲毫沒有受到影響。

不過，儘管有人警告超級人工智慧的誕生近在咫尺，但那些從事AI研究的人顯然更現實些。他們指出，現在AI程序的能力有限：他們很容易被欺騙，並且根本不能掌握人的基本技能——常識，這種常識在生活中處處可見，很難定義。總之，AI並不是那麼聰明。

問題是:如何讓AI變得更加智能?谷歌DeepMind的創始人Demis Hassabis表示，答案就在我們自己身上，的確。Hassabis和三位合著者在神經元雜誌上發表了一篇評述，他們認為，需要重新把AI與神經科學聯繫起來，只有找到更多關於自然智能的信息，我們才能真正理解(並創造)人工智慧。

他們在評述中追溯了AI的歷史並展望了未來，指出AI與神經科學領域的合作帶來了新的發現。他們寫到，將這兩個學科重新聯繫起來將創造一個良性循環。AI研究人員將從自然智能的研究中得到靈感，而將智能提煉成演算法結構可能會有助於對神經中一些難以解決的謎團產生出全新的洞見。這種雙贏怎麼實現呢？

為了了解更多關於神經科學和AI互相學習和促進的知識，The Verge對Hassabis進行了一次專訪：

為了更加清楚，內容做了稍微的修改。

問：Demis，你在過去提到DeepMind的最大目標之一是創造AI系統，以幫助進一步的科學發現並作為提高人類獨創力的工具。神經科學將如何促進實現這一點呢?

實際上有兩種方法。一種是將神經科學作為演算法和架構的靈感來源。人類的大腦是現有的唯一證據，證明我們試圖建造的通用智能是存在的，所以我們認為有必要努力去嘗試和理解人腦是如何擁有這些能力的。然後，我們可以看看是否有一些想法可以轉移到機器學習和AI上。

這就是我讀博時選擇神經科學的原因：研究大腦的記憶和想像力，了解大腦中有哪些區域和結構，然後用它來幫助我們思考如何在AI系統中實現與人腦同樣的功能。

另一件一定要了解的事是智能是什麼，這其中包括我們自己的思想——自然智能。我們應該能從一些AI演算法中得到回溯。這些AI演算法可以做些有意思的事情，引導我們應該在大腦中尋找什麼、怎麼尋找。我們可以把這些AI系統作為大腦中正在發生的事情的模型。

問：你在文章中還談到，AI需要像人類一樣，能理解現實世界，比如當待在一間房間里時，能像人類一樣對房間里的場景進行說明和推理。研究人員經常談到這種具體化的認知，並說沒有這種具體化的認知就不可能創造出通用AI，你同意嗎？

完全同意，具體化的認知很關鍵，這是我們重要的基本法則之一。我們認為，系統要能從基本法則，即從感覺和運動神經流中建立自己的知識體系，然後從那裡創造抽象的知識。這是傳統人工智慧很難解決的一大問題，它被稱為抽象符號的溯源問題。邏輯系統僅僅只處理邏輯問題時很正常，但當這些邏輯系統與現實世界交互時，它不知道那些符號真正指的是什麼。這是傳統AI，也叫老式人工智慧的一大絆腳石。

在DeepMind，我們一直關注實用的人工智慧，我們將AI系統應用於電子遊戲和虛擬環境中。這些系統不會在遊戲中使用任何隱藏的數據，他們只使用顯現在屏幕上的原始像素，就像虛擬世界是人工智慧的真實世界一樣。

問：論文中一個反覆出現的主題是，神經科學如何幫助我們打破目前AI的局限，比如說一個系統只能處理某一特定任務，例如只能對照片進行人臉識別。麻省理工學院和谷歌等一些組織正在研究如何將不同的系統組合起來，創造更加靈活的AI系統。你認為將來我們是會繼續使用功能有限的AI系統，還是會用更通用的AI系統呢?

這個問題很有意思，追溯AI的歷史，很明顯，專用AI系統更易於編寫和創建，你可以通過不斷的訓練提升系統性能，完成你想要解決的任何專業任務。要想讓通用系統比專用系統的性能還高，障礙很大，非常困難。對很多任務來說，如果我們了解那個領域，也會自己編碼，那麼最好建立專用的AI系統。專用AI系統真的很難被通用 AI系統打敗。

圖：DeepMind的人工智慧系統 AlphaGo在2016年的人機圍棋賽中擊敗李世石

但是，如果你想在不同的領域之間建立聯繫，或者想要發現新的知識(我們喜歡在科學中做的事情)，那麼這些預先編程的專用系統是達不到要求的。他們被限制在特定的知識領域，很難發現新事物、進行創新或創造。因此，如果想要進行需要創新、發明或靈活性的任務，通用系統是唯一的選擇。

問：你提到人腦的兩個功能——想像力及對未來發生的事情提前計劃的能力——是提高AI系統性能的關鍵，你能舉個AI研究人員利用神經科學讓計算機性能更高的案例嗎?

好的，其實這樣的例子很多，高層次概念里基礎的那些就能起到這樣的效果。比如記憶能力和想像能力。在記憶的過程中，大腦中會生成多個記憶系統。其中包括短期記憶，你可以用它來記住電話號碼之類的東西。我們認為這種記憶有7個單位的信息，有時候會有5個或9個。然後你會得到情景記憶，也就是長期記憶，在這裡會儲存你的經驗並在你睡覺時進行回放，這樣即使你在睡覺的時候都能從這些經驗中學習。

這種想法——人有不同類型的記憶系統——在AI中非常有用。傳統上，神經網路並沒有太多的記憶。他們記憶的方式是瞬時的。而在神經圖靈機中，我們獲得了極大的進步。在這裡引入了一個大容量的外部存儲器，將其與神經網路相連，這樣神經網路就能接入和使用了。這是一個利用神經科學的典型案例。

如果你在研究想像力，它其實就是人類和其他動物依賴他們已經建立起來的世界模型進行的行為。他們利用這些模型來產生新的想像和設想——比如與事實相反的設想——以便在採取行動之前提前對將要發生的事情進行計劃和評估。將要發生的事情可能會對未來產生影響，讓他們付出代價。

想像力是一個非常強大的計劃工具。你需要構建一個世界的模型，需要能夠使用該模型進行計劃，需要能及時地提前規劃。所以當你開始分析想像力時，你就會得到一些靈感——為了讓系統得到全面的能力，需要什麼樣的能力和功能。

問：如果神經科學和AI有如此多能相互學習的地方，為什麼它們在一開始就成為兩個分支呢?

實際上他們一開始是緊密相連的。以前許多神經科學家和AI科學家的背景相似。他們在會議上經常交談，而且有很多合作。但在80年代左右，AI與神經網路系統偏離得很遠，像人工智慧先驅Marvin Minsky等人證明了原始的神經網路系統無法完成某些任務。

但事實證明他們錯了。因為他們研究的是單層神經網路，太簡單了。現在我們在研究深度學習系統，這是非常龐大的網路。80年代的時候，計算能力和數據都不足以支撐這種龐大的網路。所以在當時，他們從對神經系統的研究轉到對邏輯系統的研究。而邏輯系統和神經科學離得很遠。AI沿著專家系統的路線走，在那裡有大量的啟發探索和規則，系統的決定是根據這些規則作出的。但這樣的做法跟資料庫的關係更大，而不是神經科學。

與此同時，神經科學繼續沿著自己的方向發展，成為了一個龐大的領域。所以現在他們成了兩個龐大的領域，這兩個領域都沉浸在自己的傳統中。你很難成為其中任何一個領域的專家，更不用說成為精通兩個領域的專家，既能進行領域之間的轉換，又能找到兩個領域之間的聯繫。

如果你現在是一個完全沒有神經科學的背景的AI專家，你想試著去研究神經科學，那將會非常受挫。每年大概有5萬篇神經網路方面的論文發表，我記不清確切的數目。因此，你需要做大量的工作，搞清很多知識，而且其中大部分都與AI無關，想要找到有用的信息就像大海撈針般艱難。

這是一件很困難的事情，而且在很長一段時間裡，由於這個原因，領域之間的協作越來越少了，反之亦然。AI領域的研究是非常技術性的，並且有很多自己的術語，這對於神經系統科學家來說很難理解。

這兩個學科截然不同，很難找到願意把精力放在建立這兩個學科的聯繫上的人,這也是我們試著在DeepMind做的事——找到有能力這樣做的人,找到領域之間的聯繫，並用簡潔的方式在這兩個領域之間相互解釋說明。

via：The Verge

雷鋒網 AI科技評論編譯

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！