DeepMind聯(lián)合創(chuàng)始人哈薩比斯近日在倫敦經(jīng)濟學人創(chuàng)新峰會上闡述了他對AI未來的展望：AI將拯救我們自己；AI將帶來諾貝爾獎級別的科學突破；深度學習不足以破解通用AI問題。哈薩比斯表示，如果未來的世界沒有AI，他將對這個世界非常悲觀。

由Google DeepMind開發(fā)的AlphaGo系統(tǒng)在與人類世界冠軍對弈的圍棋比賽中大獲全勝，打破了人們的預期，即距離計算機打敗人類冠軍還有很多年的時間。

盡管這一成就意義重大，但DeepMind的聯(lián)合創(chuàng)始人哈薩比斯（Demis Hassabis）預計，未來幾年人工智能改變社會的程度，將使這一成就相形見絀。

哈薩比斯在倫敦經(jīng)濟學人創(chuàng)新峰會上闡述了他對人工智能未來的展望。

DeepMind聯(lián)合創(chuàng)始人Demis Hassabis

AI將把我們從我們自己手里拯救出來

哈薩比斯說：“如果未來的世界沒有AI，我會對這個世界非常悲觀?！?/p>

“我這么說的原因是，如果你看看社會面臨的挑戰(zhàn)：氣候變化、可持續(xù)性、大規(guī)模不平等（而且越來越嚴重）、疾病和醫(yī)療問題，我們在所有這些方面的進展都不夠快。”

“要么我們需要人類行為的指數(shù)級改進——更少自私，更少短期主義，更多合作，更多慷慨——要么我們需要技術的指數(shù)級改進?！?/p>

“目前的跡象是，如果你看看當前的地緣政治，我認為我們不會很快在人類行為方面得到指數(shù)級的改進。”

“這就是我們需要AI這樣的技術實現(xiàn)巨大飛躍的原因。”

哈薩比斯在倫敦經(jīng)濟學人創(chuàng)新峰會上

AI將帶來諾貝爾獎級別的科學突破

哈薩比斯堅信AI可以抵消人類貪婪和自私的最壞影響，原因在于這項技術可以輕易地應用于解決棘手的問題，比如防止災難性的氣候變化。

“我認為AI是一個非常強大的工具。我最興奮的是將這些工具應用于科學，并加速突破?！惫_比斯說。

他說，如今的機器學習和相關的AI技術已經(jīng)使圖像識別和在大量數(shù)據(jù)中發(fā)現(xiàn)模式等任務成為可能。

但哈薩比斯對AI優(yōu)化任務能力的潛在應用特別感興趣，如果沒有優(yōu)化，這些任務將會極其復雜。AlphaGo的成功就證明了這一點。

“你可以想象一個巨大的組合空間，你正試圖找到一條穿過它的路徑。顯然，像國際象棋和圍棋這樣的游戲就是這樣，有太多的可能性，你不可能強行推出正確的解決方案?！?/p>

“科學中有很多領域都有類似的結構。我想到的是材料和藥物設計領域，在這些領域中，研究人員經(jīng)常要做的就費力地將各種化合物組合在一起，并測試它們的性質(zhì)?！?/p>

哈薩比斯說，材料設計等領域的突破可能會產(chǎn)生深遠的影響。

“例如，有人推測，可能存在一種可以徹底改變功率和能量的室溫超導體，但我們目前不知道這種化合物是什么?！?/p>

“這是讓我真正感到非常興奮的事情，我認為我們將在未來10年看到一些巨大的突破，在其中一些領域?qū)⑷〉每色@諾貝爾獎的突破，”哈薩比斯說。

他說，DeepMind正在研究如何將機器學習和其他與AI相關的技術應用到蛋白質(zhì)折疊和量子化學等領域。

哈薩比斯也承認，這些系統(tǒng)的使用有可能造成傷害，并提出了在某個階段，在“五到十年的時間”內(nèi)可能存在一些爭論，要求將一些研究排除于公共領域之外，以防止被“壞人”利用。

深度學習不足以解決通用AI

創(chuàng)建一臺具有類似于人類智能的機器需要比深度學習系統(tǒng)更廣泛的技術，盡管深度學習推動了最近的許多突破。

“深度學習是一項了不起的技術，它本身非常有用，但在我看來，它絕對不足以解決通用AI問題，”哈薩比斯說。

“我認為深度學習是解決通用AI的一個組成部分，也許還需要更多類似深度學習的突破。需要更多的創(chuàng)新。”

“大腦是一個綜合系統(tǒng)，但大腦的不同部分負責不同的任務?！?/p>

“海馬體負責情景記憶，前額葉皮質(zhì)負責控制，等等?！?/p>

“你可以把目前的深度學習看作是相當于大腦中的感覺皮層一樣東西：視覺皮質(zhì)或聽覺皮質(zhì)?！?/p>

“但是，真正的智能遠不止于此。你必須把它重新組合成更高層次的思維和符號推理，這是80年代經(jīng)典AI試圖解決的問題?！?/p>

“你可以這樣看待我們的研究項目：我們能否從自己的感知構建，利用深度學習系統(tǒng)，并從基本原則中學習？我們能否一直構建，直到高級思維和符號思維?”

“為了做到這一點，我們需要解決一些問題，比如學習概念。這些問題對于人類來說毫不費力，但我們目前的學習系統(tǒng)卻做不到。”

DeepMind正在研究如何在一些領域改進人工智能，將允許系統(tǒng)在現(xiàn)今不可能實現(xiàn)的水平上進行推理，并在不同的領域之間遷移知識，就像一個會駕駛汽車的人可以將開汽車的知識應用來開貨車。

例如，DeepMind和德國馬格德堡大學的一組神經(jīng)科學家和人工智能研究人員9月19日在Neuron雜志上發(fā)表的一篇研究論文，為了解人類大腦連接單個情景記憶來解決問題方式提供了一個視角。

人類有能力創(chuàng)造性地結合他們的記憶來解決問題并獲得新的見解，這個過程依賴于特定事件的記憶，即情景記憶（episodic memory）。雖然情景記憶在過去已經(jīng)被廣泛研究，但目前的理論并不能很容易地解釋人們?nèi)绾卫们榫坝洃泚慝@得這些新的見解。

DeepMind的研究人員提出了一種新的大腦機制，該機制將允許檢索到的記憶以這種方式觸發(fā)對更多相關記憶的檢索。這種機制允許檢索多個相連的記憶，這樣大腦就能產(chǎn)生類似這樣的新見解。研究人員認為，他們的結果可以幫助AI在未來更快地學習。

“我們正試圖在新型技術方面取得突破，我們認為這些技術對于概念形成、如何將語言理解引入目前的前語言系統(tǒng)（pre-linguistic system）等方面都是必需的，”哈薩比斯說。

“AlphaGo不理解語言，但我們希望它能建立這種象征性的推理水平——數(shù)學、語言和邏輯。因此，這是我們工作的重要部分，”哈薩比斯補充說，DeepMind還致力于研究如何提高學習效率，以減少目前訓練深度學習系統(tǒng)所需的龐大數(shù)據(jù)量。