雷锋网(公众号：雷锋网) AI科技评论按：近日，DeepMind创始人Demis Hassabis接受了The Verge 的专访，他认为，让AI更聪明的方法就在人类自己身上：人工智能和神经科学两个领域是相辅相承的，两者能相互学习，相互促进。
图：DeepMind创始人Demis Hassabis
雷锋网 AI科技评论编译如下：
几十年的淡出之后，AI又大摇大摆的回到人们的视野中。有了廉价的计算机设备和大量的数据集，研究人员像炼金士般将算法变成黄金，硅谷科技巨头的雄厚财力(和市场占有率)也丝毫没有受到影响。
不过，尽管有人警告超级人工智能的诞生近在咫尺，但那些从事AI研究的人显然更现实些。他们指出，现在AI程序的能力有限：他们很容易被欺骗，并且根本不能掌握人的基本技能——常识，这种常识在生活中处处可见，很难定义。总之，AI并不是那么聪明。
问题是:如何让AI变得更加智能?谷歌DeepMind的创始人Demis Hassabis表示，答案就在我们自己身上，的确。Hassabis和三位合著者在神经元杂志上发表了一篇评述，他们认为，需要重新把AI与神经科学联系起来，只有找到更多关于自然智能的信息，我们才能真正理解(并创造)人工智能。
他们在评述中追溯了AI的历史并展望了未来，指出AI与神经科学领域的合作带来了新的发现。他们写到，将这两个学科重新联系起来将创造一个良性循环。AI研究人员将从自然智能的研究中得到灵感，而将智能提炼成算法结构可能会有助于对神经中一些难以解决的谜团产生出全新的洞见。这种双赢怎么实现呢？
为了了解更多关于神经科学和AI互相学习和促进的知识，The Verge 对Hassabis进行了一次专访：
为了更加清楚，内容做了稍微的修改。
问：Demis，你在过去提到DeepMind的最大目标之一是创造AI系统，以帮助进一步的科学发现并作为提高人类独创力的工具。神经科学将如何促进实现这一点呢?
实际上有两种方法。一种是将神经科学作为算法和架构的灵感来源。人类的大脑是现有的唯一证据，证明我们试图建造的通用智能是存在的，所以我们认为有必要努力去尝试和理解人脑是如何拥有这些能力的。然后，我们可以看看是否有一些想法可以转移到机器学习和AI上。
这就是我读博时选择神经科学的原因：研究大脑的记忆和想象力，了解大脑中有哪些区域和结构，然后用它来帮助我们思考如何在AI系统中实现与人脑同样的功能。
另一件一定要了解的事是智能是什么，这其中包括我们自己的思想——自然智能。我们应该能从一些AI算法中得到回溯。这些AI算法可以做些有意思的事情，引导我们应该在大脑中寻找什么、怎么寻找。我们可以把这些AI系统作为大脑中正在发生的事情的模型。
问：你在文章中还谈到，AI需要像人类一样，能理解现实世界，比如当待在一间房间里时，能像人类一样对房间里的场景进行说明和推理。研究人员经常谈到这种具体化的认知，并说没有这种具体化的认知就不可能创造出通用AI，你同意吗？
完全同意，具体化的认知很关键，这是我们重要的基本法则之一。我们认为，系统要能从基本法则，即从感觉和运动神经流中建立自己的知识体系，然后从那里创造抽象的知识。这是传统人工智能很难解决的一大问题，它被称为抽象符号的溯源问题。逻辑系统仅仅只处理逻辑问题时很正常，但当这些逻辑系统与现实世界交互时，它不知道那些符号真正指的是什么。这是传统AI，也叫老式人工智能的一大绊脚石。
在DeepMind，我们一直关注实用的人工智能，我们将AI系统应用于电子游戏和虚拟环境中。这些系统不会在游戏中使用任何隐藏的数据，他们只使用显现在屏幕上的原始像素，就像虚拟世界是人工智能的真实世界一样。
问：论文中一个反复出现的主题是，神经科学如何帮助我们打破目前AI的局限，比如说一个系统只能处理某一特定任务，例如只能对照片进行人脸识别。麻省理工学院和谷歌等一些组织正在研究如何将不同的系统组合起来，创造更加灵活的AI系统。你认为将来我们是会继续使用功能有限的AI系统，还是会用更通用的AI系统呢?
这个问题很有意思，追溯AI的历史，很明显，专用AI系统更易于编写和创建，你可以通过不断的训练提升系统性能，完成你想要解决的任何专业任务。要想让通用系统比专用系统的性能还高，障碍很大，非常困难。对很多任务来说，如果我们了解那个领域，也会自己编码，那么最好建立专用的AI系统。专用AI系统真的很难被通用 AI系统打败。
图：DeepMind的人工智能系统 AlphaGo在2016年的人机围棋赛中击败李世石
但是，如果你想在不同的领域之间建立联系，或者想要发现新的知识(我们喜欢在科学中做的事情)，那么这些预先编程的专用系统是达不到要求的。他们被限制在特定的知识领域，很难发现新事物、进行创新或创造。因此，如果想要进行需要创新、发明或灵活性的任务，通用系统是唯一的选择。
问：你提到人脑的两个功能——想象力及对未来发生的事情提前计划的能力——是提高AI系统性能的关键，你能举个AI研究人员利用神经科学让计算机性能更高的案例吗?
好的，其实这样的例子很多，高层次概念里基础的那些就能起到这样的效果。比如记忆能力和想象能力。在记忆的过程中，大脑中会生成多个记忆系统。其中包括短期记忆，你可以用它来记住电话号码之类的东西。我们认为这种记忆有7个单位的信息，有时候会有5个或9个。然后你会得到情景记忆，也就是长期记忆，在这里会储存你的经验并在你睡觉时进行回放，这样即使你在睡觉的时候都能从这些经验中学习。
这种想法——人有不同类型的记忆系统——在AI中非常有用。传统上，神经网络并没有太多的记忆。他们记忆的方式是瞬时的。而在神经图灵机中，我们获得了极大的进步。在这里引入了一个大容量的外部存储器，将其与神经网络相连，这样神经网络就能接入和使用了。这是一个利用神经科学的典型案例。
如果你在研究想象力，它其实就是人类和其他动物依赖他们已经建立起来的世界模型进行的行为。他们利用这些模型来产生新的想象和设想——比如与事实相反的设想——以便在采取行动之前提前对将要发生的事情进行计划和评估。将要发生的事情可能会对未来产生影响，让他们付出代价。
想象力是一个非常强大的计划工具。你需要构建一个世界的模型，需要能够使用该模型进行计划，需要能及时地提前规划。所以当你开始分析想象力时，你就会得到一些灵感——为了让系统得到全面的能力，需要什么样的能力和功能。
问：如果神经科学和AI有如此多能相互学习的地方，为什么它们在一开始就成为两个分支呢?
实际上他们一开始是紧密相连的。以前许多神经科学家和AI科学家的背景相似。他们在会议上经常交谈，而且有很多合作。但在80年代左右，AI与神经网络系统偏离得很远，像人工智能先驱Marvin Minsky等人证明了原始的神经网络系统无法完成某些任务。
但事实证明他们错了。因为他们研究的是单层神经网络，太简单了。现在我们在研究深度学习系统，这是非常庞大的网络。80年代的时候，计算能力和数据都不足以支撑这种庞大的网络。所以在当时，他们从对神经系统的研究转到对逻辑系统的研究。而逻辑系统和神经科学离得很远。AI沿着专家系统的路线走，在那里有大量的启发探索和规则，系统的决定是根据这些规则作出的。但这样的做法跟数据库的关系更大，而不是神经科学。
与此同时，神经科学继续沿着自己的方向发展，成为了一个庞大的领域。所以现在他们成了两个庞大的领域，这两个领域都沉浸在自己的传统中。你很难成为其中任何一个领域的专家，更不用说成为精通两个领域的专家，既能进行领域之间的转换，又能找到两个领域之间的联系。
如果你现在是一个完全没有神经科学的背景的AI专家，你想试着去研究神经科学，那将会非常受挫。每年大概有5万篇神经网络方面的论文发表，我记不清确切的数目。因此，你需要做大量的工作，搞清很多知识，而且其中大部分都与AI无关，想要找到有用的信息就像大海捞针般艰难。
这是一件很困难的事情，而且在很长一段时间里，由于这个原因，领域之间的协作越来越少了，反之亦然。AI领域的研究是非常技术性的，并且有很多自己的术语，这对于神经系统科学家来说很难理解。
这两个学科截然不同，很难找到愿意把精力放在建立这两个学科的联系上的人,这也是我们试着在DeepMind做的事——找到有能力这样做的人,找到领域之间的联系，并用简洁的方式在这两个领域之间相互解释说明。
via：The Verge
雷锋网 AI科技评论编译
本文作者：思颖
本文转自雷锋网禁止二次转载，原文链接
