对话 DeepMind 创始人 Demis Hassabis：AI 将会如何重塑我们的世界？

我再 1990 年代末的英国长大，因此我能看到不少电脑杂志和许多电子游戏。因此，当我第一次见到 DeepMind 和你的时候，我想：「你们可真是天生一对。」你之前在游戏行业中的经验和你现在所做的事有关联吗？

是的，像 DeepMind 这样的事一直是我的终极目标，我为此计划了 20 年。如果你始终观察我在 AI 领域所做的这些事，那你会发现它们都有自己的作用。如果你对我之前开发的那些游戏有印象，你会知道 AI 就是我所做的所有事的核心部分。我们的游戏卖出了上百万份，这是因为我们将 AI 融入到了人们玩的游戏当中。之后，我又回到了校园中去学习神经科学，那是因为我感觉在 2005 年左右，我们应该在 AI 领域中走的更远，但我当时却还被要求去做游戏，因为你的出版商们只想要游戏。

是不是因为在那个时代，游戏就是 AI 最显著的应用领域？

我想是的，而且我认为我们当时所做的就是最顶尖的 AI 技术。我想说在当时，学术水平还停留在 90 年代，而这些新技术还没有真正得到普及，比如神经网络、深度学习等等。因此，最好的 AI 技术就在游戏领域。那不是现在这种学习型的 AI 技术，它们都还是停留在有限状态的机器，但它们已经很复杂了。像 Black & White 这样的游戏已经使用了强化学习技术（reinforcement learning）。但是，在 2004、05 年的时候，游戏行业发展的方向已与 1990 年代大为不同，1990 年代的游戏行业很有创造力、也很有趣，你能实践你的任何想法。但到了 2005 年左右，人们都将注意力放在了图像及版权这些方向上，所以它就不那么有趣了。我已经为了游戏付出了一切，而现在到了为 DeepMind 做准备的时候了。而我选择的方向就是神经科学，我想要从「大脑是如何解决问题」这个方向上获得灵感，所以我想，还有什么比去读一个神经科学博士更好的方法呢？

在本周，你提到说 AI 未来的应用领域将会集中在医疗保健、智能手机助手以及机器人这些行业，让我们来聊聊这些吧。为了提升医疗保健水平，像 IBM 和 Watson 这样的公司已经开始了有关癌症诊断方面的工作，DeepMind 能带来什么呢？

嗯，目前它还处在初级阶段。我们前几周才和 NHS（英国国家医疗服务体系）展开了合作，但那只是开始构建一个机器学习的平台而已。在我的理解中，我觉得 Watson 和我们做的完全是两码事，他们所做的更像是一个专家系统，那是一种完全不一样的 AI 样式。我认为这种 AI 是通过图像去诊疗癌症，之后它也许能够纵向跟踪你的生命特征，然后帮助人们拥有一个更健康的生活方式。我认为这非常适合强化学习技术（reinforcement learning）。

和 NHS 成为合作伙伴，你已经宣布开发了一个 App，但它似乎并没有太多 AI 或者机器学习的技术。你们是怎么想的？为什么是 NHS 而不是其他人？

嗯，NHS 的软件系统在我看来就是一团糟，因此我想我们要做的第一步就是将其带入 21 世纪。他们不是移动的，他们和消费者所理解的处理方式也完全不一样，对于医护人员来说也非常糟糕。因此我想第一步还是去帮助他们使用更有效的工具，比如可视化工具和基础统计工具。我觉得我们已经做到了这一点，之后我们会将更复杂的机器学习技术带入其中。

创造新的智能手机助手

让我们再聊聊智能手机助手吧。我发现你在当天的演讲当中使用了电影《她》的一张图片，这难道就是最终的结果吗？

当然不是，我的意思是说《她》是现在主流的观点。我只是觉得我们想让这些智能手机助手变得智能、能情境化并且可以对我们想做的事有一个更深的理解。而目前，大多数的系统还非常脆弱，一旦你使用了他们没有预先编程的模板，那他们就完全没用了。所以这还是有关实用性、灵活性以及可靠性的问题。

那你们需要什么样的突破以提升它？为什么我们不能再明天就用上它呢？

事实上我们是可以的，我只是觉得我们需要一种不同的方式。再说一次，这是在预先编程和自我学习之间的对立，而目前，几乎所有的智能手机助手都采用的是预先编程的方式，因此它们也非常脆弱，，因为它们只能做已经编程好了的事。但真实的世界是非常复杂的，用户会用你做许多你意想不到的事。而我们对 DeepMind 的坚信就在于这个基本原则：你研究智能的唯一办法就是从根本性和普遍性上学习。

AlphaGo 成功的方法是学到了许多不同的游戏模式，但这种方法如何应用到智能手机当中呢？毕竟人们向智能手机输入的内容五花八门。

我同意你的意见，因此数据量非常大，而你可以从中进行学习。事实上，我们将会在接下来的几个月继续调整 AlphaGo 的算法，我们认为我们可以摆脱监督式的学习方式，能够完全做到自我发挥，能够从一张白纸成长起来。这段路可能会很长，因为你需要测试和犯错误，所以也许我们需要几个月的时间。但我们觉得让 AlphaGo 由纯粹的自我学习成长起来是可能的。

这可能吗？你们的算法已经达到这个程度了吗？

不，我们可以在算法没达到之前就能完成。因为它不是开发出更强大的程序，我们只是让它使用纯粹的学习方法。我们认为目前的这个算法能够在没有监督的情况下运行。

这会更容易吗？比如它的失败迹象会更明显吗？

它会更容易，因为分数会变得更规则。在围棋中，想要判断你的胜负，你只需得到一个分数就够了，这被称为所谓的「信用分配问题」，它的问题在于当你在围棋中下了一百颗棋子之后，你并不知道哪些是让你赢的、哪些是让你输了的，因此，判断的信号会变得相当微弱。而在其他的一些游戏中，你所做的大多数举动都能给你一个分数，因此你会有效仿的对象。

你能给出一个时间表吗？合适人们才能在手机上见到这些变化？

我认为在接下来的两到三年中，人们就能见到这些变化。我的意思是，它的开始是很微妙的，只是让某些方面变得更好了而已；但也许四到五年之后，你就能开始看到一些大的变化了。

根据你所确定的未来的可能性，这会是让你们同 Google 连接起来成为一个整体的那一部分？

是的。

你有没有得到任何的指示去让你上面提到的这些技术契合到 Google 的产品路线图中去？

（编辑：应用网_丽江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!