機器中的心靈：Demis Hassabis關於人工智慧

DeepMind的聯合創始人解釋了AI將如何幫助我們在理解世界方面做出難以想象的跨越

現代文明是一個神奇的壯舉，科學使一切成為可能。每次乘飛機，我都驚奇於使我們能夠在雲層之上翱翔的技術。我們已經映射了基因組，建立了超級計算機和互聯網，對彗星進行了探測，在顆粒加速器中以接近的光速砸碎了原子，並將一個人放在了月球上。我們如何設法做到這一點？當我們停下來考慮我們3磅大腦已經完成的事情時，這是非常顯著的。

科學的方法可能是人類曾經擁有的最強大的力量，而啟蒙運動是驚人的進步。但是，我們現在處於關鍵時刻，我們需要掌握的許多系統從氣候變化到宏觀經濟問題，再到阿爾茨海默氏症都是複雜的。我們是否能夠解決這些挑戰，以及我們能夠到達的速度，將會影響數十億人的未來福祉和我們所生活的環境。

問題在於，這些挑戰非常複雜，即使是世界頂尖的科學家，臨床醫師和工程師也難以掌握所需的所有複雜性，從而實現所需的突破。據說，達芬奇也許是最後一個懂得自己年齡知識的最後一個人。而今天，即使是天體物理學或量子力學等單一領域，也需要一輩子才能完整的掌握。

我們現在想要理解的系統是由大量的數據支撐，通常是高度動態的、非線性的、具有緊急性質的特性，使得它難以找到結構和連接，以揭示其中隱藏的見解。開普勒和牛頓可以寫方程來描述地球上行星和物體的運動，但今天的問題很少可以簡化成一套簡潔而緊湊的公式。

這是我們時代最大的科學挑戰之一。現代計算機時代的創始人阿蘭圖靈、約翰·馮·諾依曼、克勞德·香農，都理解了信息理論的核心重要性，今天我們已經意識到，幾乎所有的東西都可以在這種範式中被考慮或表達出來。這在生物信息學中最為明顯，其中基因組實際上是一個巨大的信息編碼模式。我相信有一天，信息將被視為與能源和物質一樣根本。

其核心在於，智力可被視為將非結構化信息轉化為有用和可操作的知識的過程。我致力於我的人生工作的人造智能（AI）的科學承諾 是，我們可以綜合自動化和優化這一過程，以技術為工具，幫助我們獲得快速的新知識，對人類來說，依然難以忍受。

AI使工作變得簡單時尚

今天，在AI上工作變得非常時尚。然而，術語AI可能意味著無數的事情取決於上下文。我所共同創立的公司DeepMind所採取的方法側重於學習和普遍性的概念，目的是開發我們所需的科學知識。如果我們想要電腦發現新的知識，那麼我們必須讓他們有能力為自己學習。

我們工作的演算法學習如何從原始經驗直接掌握任務，這意味著他們所獲得的知識最終基於某種形式的感官現實而不是抽象符號。我們進一步要求他們是一般的，因為具有相同參數的相同系統，可以在廣泛的任務中表現良好。這兩個原則都在DeepMind的「2015年自然」雜誌上展示，其中一個程序教會自己玩幾十種經典的Atari遊戲，除了屏幕上的像素和運行得分之外沒有其他輸入。我們還使用系統級神經科學作為新演算法和建築思想的主要靈感來源。畢竟，大腦是我們唯一存在的證據，即通用的基於體驗的學習系統甚至是可能的。

這與我們許多前輩的做法完全相違背。差異可能通過比較在遊戲領域取得世界第一的兩項突破性計劃得到最好的體現：IBM的Deep Blue，1997年擊敗了世界象棋冠軍Garry Kasparov，以及我們最近的AlphaGo計劃，去年擊敗了世界各地Go的更複雜的遊戲的頂級玩家。IBM的深藍色使用了所謂的「專家系統」方法：一個程序員團隊與一些國際象棋大師坐下來，將他們的知識明確地提煉出來並將其編纂成一套複雜的啟髮式。一個強大的超級計算機然後使用這些手工製作的規則來評估大量可能的變化，通過暴力計算得出正確的方式。

深藍色對卡斯帕羅夫的勝利代表人類發展歷史上的一個重大里程碑。但它的勝利更多地證明了其程序員和大師隊伍的輝煌以及當代硬體的計算能力，而不是程序本身的任何內在智能。

AlphaGo發揮了很多創造性的勝利舉動，其中之一是令人驚訝地推翻了數百年的智慧

圍棋被打破后，Go成為AI研究的新聖杯。令人驚奇的是，對於170個可能的落子位置配置，超過了宇宙中的原子數量，事實上，即使編寫一個功能來確定哪一方在特定的棋盤位置中獲勝，都被認為是不可能的，因為單個位置的微小變化可以徹底改變整個棋盤的狀態。頂尖的人類玩家通過自己的直覺和本能來處理這個巨大的複雜性，通常將動作描述為簡單的「感覺正確」。

與棋手相反，對於AlphaGo，我們意識到為了捕捉遊戲的直觀方面，我們必須採取與深藍色等棋程式截然不同的方法。我們使用包括深層神經網路在內的通用技術來構建學習系統，而不是手工編碼人類專家策略，並展示了數千種強大的業餘遊戲，以幫助其發展自己對人類遊戲的理解。然後，我們對自己的不同版本進行了數千次的攻擊，每次從錯誤中學習，逐漸改進，直到變得非常強大。2016年3月，我們準備承擔最終的挑戰：圍棋傳奇人物李世石——獲得18項世界冠軍，並被廣泛認為是過去十年中最偉大的棋手。

超過2億人在線觀看，AlphaGo出現了驚喜4-1勝利者，專家們的共識是，這一突破至少降AI技術提前了十年。更重要的是，在比賽期間，阿爾法（AlphaGo）發揮了很多創造性的勝利舉動，其中之一——在第二場比賽中排名第37手，它推翻了數百年的智慧，並被玩家深入研究。在獲勝的過程中，AlphaGo以某種方式向全世界傳授了關於可能是歷史上最受矚目的遊戲的全新知識。

機器輔助科學發現的可能性

這些演算法靈感的瞬間讓我們一睹為什麼AI可以對科學如此有益：機器輔助科學發現的可能性。我們相信AlphaGo的基礎技術是通用的，可以應用於廣泛的其他領域，特別是可以優化具有明確目標功能的領域，以及可以精確模擬的環境，從而實現高效、高速實驗。例如，在能源效率方面，我們使用這些演算法的一個變體來找到一套能夠將Google數據中心耗能降低40％的新技術，並為環境做出巨大貢獻。

我們認為，在接下來的幾年中，科學家和研究人員使用類似的方法，將會從超導材料設計到藥物發現等多個領域產生深刻影響。在許多方面，我看到AI類似於哈勃望遠鏡——這是一種科學工具，可以讓我們看到更遠，且更好地了解我們周圍的宇宙。

當然，像任何強大的技術一樣，AI必須以負責任，道德的方式使用，並使每個人都受益。我們還必須繼續高度認識AI演算法的實用性和局限性。但是，嚴格關注方案的能力，以及對作為投入使用的數據質量和工作透明度的影響的更多研究，我們可能會發現，人工智慧可以在支持各種專家方面發揮至關重要的作用。

正是在人與演算法之間的這種合作中，在未來幾十年裡才有不可思議的科學進步。我相信AI將成為科學家一種重要的解決方案，增強我們的日常生活，並使我們所有人能夠更快更有效地工作。如果我們可以廣泛公平地部署這些工具，培育人人都能參與和受益的環境，就有機會豐富和推進人類的整體發展。

在這樣做的時候，我們也可以學到一些關於自己的東西。我一直覺得物理和神經科學在某種程度上是最根本的課題：一個是關心外部世界，另一個與內在世界在一起。他們之間他們因此涵蓋一切。AI有潛力幫助我們更好地了解。當我們發現更多關於學習過程本身並將其與人類大腦進行比較時，我們有一天可以更好地了解是什麼使我們獨一無二，包括揭示思維中的奧秘，如夢想，創造力，甚至有一天甚至意識。

如果AI可以幫助我們，作為一個社會不僅可以拯救環境，治癒疾病和探索宇宙，而且還能更好地了解自己——這可能是人類所有發現最偉大的事情之一。

作者：DeepMind的聯合創始人Demis Hassabis