雷鋒網(wǎng) AI科技評論按：近日，DeepMind創(chuàng)始人Demis Hassabis接受了The Verge 的專訪，他認(rèn)為，讓AI更聰明的方法就在人類自己身上：人工智能和神經(jīng)科學(xué)兩個領(lǐng)域是相輔相承的，兩者能相互學(xué)習(xí)，相互促進。

圖：DeepMind創(chuàng)始人Demis Hassabis

雷鋒網(wǎng) AI科技評論編譯如下：

幾十年的淡出之后，AI又大搖大擺的回到人們的視野中。有了廉價的計算機設(shè)備和大量的數(shù)據(jù)集，研究人員像煉金士般將算法變成黃金，硅谷科技巨頭的雄厚財力(和市場占有率)也絲毫沒有受到影響。

不過，盡管有人警告超級人工智能的誕生近在咫尺，但那些從事AI研究的人顯然更現(xiàn)實些。他們指出，現(xiàn)在AI程序的能力有限：他們很容易被欺騙，并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并不是那么聰明。

問題是:如何讓AI變得更加智能?谷歌DeepMind的創(chuàng)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(jīng)元雜志上發(fā)表了一篇評述，他們認(rèn)為，需要重新把AI與神經(jīng)科學(xué)聯(lián)系起來，只有找到更多關(guān)于自然智能的信息，我們才能真正理解(并創(chuàng)造)人工智能。

他們在評述中追溯了AI的歷史并展望了未來，指出AI與神經(jīng)科學(xué)領(lǐng)域的合作帶來了新的發(fā)現(xiàn)。他們寫到，將這兩個學(xué)科重新聯(lián)系起來將創(chuàng)造一個良性循環(huán)。AI研究人員將從自然智能的研究中得到靈感，而將智能提煉成算法結(jié)構(gòu)可能會有助于對神經(jīng)中一些難以解決的謎團產(chǎn)生出全新的洞見。這種雙贏怎么實現(xiàn)呢？

為了了解更多關(guān)于神經(jīng)科學(xué)和AI互相學(xué)習(xí)和促進的知識，The Verge 對Hassabis進行了一次專訪：

為了更加清楚，內(nèi)容做了稍微的修改。

問：Demis，你在過去提到DeepMind的最大目標(biāo)之一是創(chuàng)造AI系統(tǒng)，以幫助進一步的科學(xué)發(fā)現(xiàn)并作為提高人類獨創(chuàng)力的工具。神經(jīng)科學(xué)將如何促進實現(xiàn)這一點呢?

實際上有兩種方法。一種是將神經(jīng)科學(xué)作為算法和架構(gòu)的靈感來源。人類的大腦是現(xiàn)有的唯一證據(jù)，證明我們試圖建造的通用智能是存在的，所以我們認(rèn)為有必要努力去嘗試和理解人腦是如何擁有這些能力的。然后，我們可以看看是否有一些想法可以轉(zhuǎn)移到機器學(xué)習(xí)和AI上。

這就是我讀博時選擇神經(jīng)科學(xué)的原因：研究大腦的記憶和想象力，了解大腦中有哪些區(qū)域和結(jié)構(gòu)，然后用它來幫助我們思考如何在AI系統(tǒng)中實現(xiàn)與人腦同樣的功能。

另一件一定要了解的事是智能是什么，這其中包括我們自己的思想——自然智能。我們應(yīng)該能從一些AI算法中得到回溯。這些AI算法可以做些有意思的事情，引導(dǎo)我們應(yīng)該在大腦中尋找什么、怎么尋找。我們可以把這些AI系統(tǒng)作為大腦中正在發(fā)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(xiàn)實世界，比如當(dāng)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(jīng)常談到這種具體化的認(rèn)知，并說沒有這種具體化的認(rèn)知就不可能創(chuàng)造出通用AI，你同意嗎？

完全同意，具體化的認(rèn)知很關(guān)鍵，這是我們重要的基本法則之一。我們認(rèn)為，系統(tǒng)要能從基本法則，即從感覺和運動神經(jīng)流中建立自己的知識體系，然后從那里創(chuàng)造抽象的知識。這是傳統(tǒng)人工智能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(tǒng)僅僅只處理邏輯問題時很正常，但當(dāng)這些邏輯系統(tǒng)與現(xiàn)實世界交互時，它不知道那些符號真正指的是什么。這是傳統(tǒng)AI，也叫老式人工智能的一大絆腳石。

在DeepMind，我們一直關(guān)注實用的人工智能，我們將AI系統(tǒng)應(yīng)用于電子游戲和虛擬環(huán)境中。這些系統(tǒng)不會在游戲中使用任何隱藏的數(shù)據(jù)，他們只使用顯現(xiàn)在屏幕上的原始像素，就像虛擬世界是人工智能的真實世界一樣。

問：論文中一個反復(fù)出現(xiàn)的主題是，神經(jīng)科學(xué)如何幫助我們打破目前AI的局限，比如說一個系統(tǒng)只能處理某一特定任務(wù)，例如只能對照片進行人臉識別。麻省理工學(xué)院和谷歌等一些組織正在研究如何將不同的系統(tǒng)組合起來，創(chuàng)造更加靈活的AI系統(tǒng)。你認(rèn)為將來我們是會繼續(xù)使用功能有限的AI系統(tǒng)，還是會用更通用的AI系統(tǒng)呢?

這個問題很有意思，追溯AI的歷史，很明顯，專用AI系統(tǒng)更易于編寫和創(chuàng)建，你可以通過不斷的訓(xùn)練提升系統(tǒng)性能，完成你想要解決的任何專業(yè)任務(wù)。要想讓通用系統(tǒng)比專用系統(tǒng)的性能還高，障礙很大，非常困難。對很多任務(wù)來說，如果我們了解那個領(lǐng)域，也會自己編碼，那么最好建立專用的AI系統(tǒng)。專用AI系統(tǒng)真的很難被通用 AI系統(tǒng)打敗。

圖：DeepMind的人工智能系統(tǒng) 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(lǐng)域之間建立聯(lián)系，或者想要發(fā)現(xiàn)新的知識(我們喜歡在科學(xué)中做的事情)，那么這些預(yù)先編程的專用系統(tǒng)是達(dá)不到要求的。他們被限制在特定的知識領(lǐng)域，很難發(fā)現(xiàn)新事物、進行創(chuàng)新或創(chuàng)造。因此，如果想要進行需要創(chuàng)新、發(fā)明或靈活性的任務(wù)，通用系統(tǒng)是唯一的選擇。

問：你提到人腦的兩個功能——想象力及對未來發(fā)生的事情提前計劃的能力——是提高AI系統(tǒng)性能的關(guān)鍵，你能舉個AI研究人員利用神經(jīng)科學(xué)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(chǔ)的那些就能起到這樣的效果。比如記憶能力和想象能力。在記憶的過程中，大腦中會生成多個記憶系統(tǒng)。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(rèn)為這種記憶有7個單位的信息，有時候會有5個或9個。然后你會得到情景記憶，也就是長期記憶，在這里會儲存你的經(jīng)驗并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(jīng)驗中學(xué)習(xí)。

這種想法——人有不同類型的記憶系統(tǒng)——在AI中非常有用。傳統(tǒng)上，神經(jīng)網(wǎng)絡(luò)并沒有太多的記憶。他們記憶的方式是瞬時的。而在神經(jīng)圖靈機中，我們獲得了極大的進步。在這里引入了一個大容量的外部存儲器，將其與神經(jīng)網(wǎng)絡(luò)相連，這樣神經(jīng)網(wǎng)絡(luò)就能接入和使用了。這是一個利用神經(jīng)科學(xué)的典型案例。

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

想象力是一個非常強大的計劃工具。你需要構(gòu)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(guī)劃。所以當(dāng)你開始分析想象力時，你就會得到一些靈感——為了讓系統(tǒng)得到全面的能力，需要什么樣的能力和功能。

問：如果神經(jīng)科學(xué)和AI有如此多能相互學(xué)習(xí)的地方，為什么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(jīng)科學(xué)家和AI科學(xué)家的背景相似。他們在會議上經(jīng)常交談，而且有很多合作。但在80年代左右，AI與神經(jīng)網(wǎng)絡(luò)系統(tǒng)偏離得很遠(yuǎn)，像人工智能先驅(qū)Marvin Minsky等人證明了原始的神經(jīng)網(wǎng)絡(luò)系統(tǒng)無法完成某些任務(wù)。

但事實證明他們錯了。因為他們研究的是單層神經(jīng)網(wǎng)絡(luò)，太簡單了?，F(xiàn)在我們在研究深度學(xué)習(xí)系統(tǒng)，這是非常龐大的網(wǎng)絡(luò)。80年代的時候，計算能力和數(shù)據(jù)都不足以支撐這種龐大的網(wǎng)絡(luò)。所以在當(dāng)時，他們從對神經(jīng)系統(tǒng)的研究轉(zhuǎn)到對邏輯系統(tǒng)的研究。而邏輯系統(tǒng)和神經(jīng)科學(xué)離得很遠(yuǎn)。AI沿著專家系統(tǒng)的路線走，在那里有大量的啟發(fā)探索和規(guī)則，系統(tǒng)的決定是根據(jù)這些規(guī)則作出的。但這樣的做法跟數(shù)據(jù)庫的關(guān)系更大，而不是神經(jīng)科學(xué)。

與此同時，神經(jīng)科學(xué)繼續(xù)沿著自己的方向發(fā)展，成為了一個龐大的領(lǐng)域。所以現(xiàn)在他們成了兩個龐大的領(lǐng)域，這兩個領(lǐng)域都沉浸在自己的傳統(tǒng)中。你很難成為其中任何一個領(lǐng)域的專家，更不用說成為精通兩個領(lǐng)域的專家，既能進行領(lǐng)域之間的轉(zhuǎn)換，又能找到兩個領(lǐng)域之間的聯(lián)系。

如果你現(xiàn)在是一個完全沒有神經(jīng)科學(xué)的背景的AI專家，你想試著去研究神經(jīng)科學(xué)，那將會非常受挫。每年大概有5萬篇神經(jīng)網(wǎng)絡(luò)方面的論文發(fā)表，我記不清確切的數(shù)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(guān)，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里，由于這個原因，領(lǐng)域之間的協(xié)作越來越少了，反之亦然。AI領(lǐng)域的研究是非常技術(shù)性的，并且有很多自己的術(shù)語，這對于神經(jīng)系統(tǒng)科學(xué)家來說很難理解。

這兩個學(xué)科截然不同，很難找到愿意把精力放在建立這兩個學(xué)科的聯(lián)系上的人,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(lǐng)域之間的聯(lián)系，并用簡潔的方式在這兩個領(lǐng)域之間相互解釋說明。

via：The Verge

雷鋒網(wǎng) AI科技評論編譯

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。