导语：美国麻省理工《科技评论》杂志日前撰文，介绍了创业公司DeepMind创始人戴密斯·哈萨比斯(Demis Hassabis)如何利用他所掌握的先进人工智能技术，帮助谷歌展开一场全新的人工智能革命。

以下为文章全文：

戴密斯·哈萨比斯从4岁开始下象棋，很快成为天才少年。8岁时，在棋盘上的成功促使他开始思考两个至今令他困扰的问题：第一，人脑是如何学会完成复杂任务的？第二，电脑能否做到这一点？
现在，38岁的哈萨比斯受雇于谷歌，他的任务就是解决这些问题。他今年早些时候刚刚将名不见经传的伦敦创业公司DeepMind卖给谷歌，价格据说高达4亿英镑(约合6.5亿美元)。
DeepMind之前展示了一款软件，可以自学经典视频游戏，甚至能达到一流人类选手的水平。此后不久，谷歌便将其收入囊中。在今年的温哥华TED大会上，谷歌CEO拉里·佩奇(Larry Page)专门谈到了哈萨比斯，还将他公司的技术称作“我很久以来见过的最惊人的技术之一”。
研究人员已经开始探索各种方式，希望利用DeepMind的技术改善包括搜索在内的各种谷歌产品。但如果这项技术的进步程度能够达到哈萨比斯的预期，还可以在很多领域改变电脑所扮演的角色。
DeepMind希望开发一种人工智能软件，使之可以在面对任何问题时完成自学。哈萨比斯认为，这有助于解决一些全世界最棘手的问题。“人工智能很有可能令人类震惊，”他说，“它可以加速疾病治疗速度，还能加速各种目前进展较慢的事情。”


三种职业


由于希望理解和创造智能，哈萨比斯曾经从事过三种职业：游戏开发者、神经学家和现在的人工智能企业家。在提前两年读完高中后，他来到英国著名游戏设计师彼得·莫利纽克斯(Peter Molyneux)手下任职。17岁时，哈萨比斯就负责了经典模拟游戏《主题公园》的开发，并在1994年发布。他随后读完了剑桥大学计算机科学学位，并在1998年创办了自己的游戏公司，而且取得了成功。
但要开发成功的电脑游戏，却会对哈萨比斯的真正目的形成制约。“我当时想，是时候集中精力在智能领域干点事情了。”他说。
所以，哈萨比斯2005年进入伦敦大学学院，攻读神经科学博士学位，希望了解真正的大脑究竟是如何工作的，以此促进人工智能的发展。他选择了海马体作为研究对象，那里负责了一部分的记忆和空间导向功能，而且目前的科学对这一部位的认知相对较少。“我选择了一些我们不太了解的区域和功能。”他说。
身为一名从未上过高中生物课的电脑科学家和游戏创业家，哈萨比斯在一众专业医生和心理学家中显得与众不同。“我曾经开玩笑，我对大脑的唯一了解就是，它是一个脑壳。”他说。
不过，哈萨比斯还是很快证明了自己。他2007年进行的一项研究入选《科学》杂志的“年度突破奖”。在那项研究中，他证明了5位因为海马体受伤而患上健忘症的病人，在畅想未来时也会面临障碍。他认为，大脑中与过去的记忆有关的部位，对于规划未来同样至关重要。
他就此认定，记忆和未来规划是交织在一起的，并以此为依据展开了新的尝试。2011年，他中断了博士后的研究，创办了DeepMind Technologies公司，并且以“解决智能”为公司的终极目标。

技惊四座


哈萨比斯与人工智能专家谢恩·莱格(Shane Legg)和连续创业者穆斯塔法·苏莱曼(Mustafa Suleyman)共同创办了DeepMind公司。该公司聘请了机器学习领域的一流研究人员，并且吸引了一些大牌投资机构，包括彼得·赛尔(Peter Thiel)的Founders Fund和特斯拉创始人伊隆·马斯克(Elon Musk)。但DeepMind之前始终保持低调，直到2013年12月才首次在一个顶尖机器学习行业会议上亮相。
DeepMind的研究人员当时在太皓湖之滨展示的一款软件已经学会了三款经典“雅达利”游戏的玩法，包括《Pong》、《Breakout》和《Enduro》。不仅如此，这款软件的游戏水平甚至超过专业人类玩家。该软件并没有事先整合任何与游戏运行有关的信息：它只是可以控制游戏、观看屏幕、了解分数，而且通过“直觉”尽量获得高分。经过了反复试错，这套程序最终成了一位专业游戏高手。
之前从没有人证明过一款软件可以从零开始学会一项复杂的任务。DeepMind充分利用了一项名为“深度学习”的新型机器学习技术，这就需要通过一个粗糙的神经模拟网络来处理数据。但它还将深度学习与其他一些技巧融合到一起，从而实现了出人意料的智能水平。
“人们感到有些震惊，因为他们根本没有想到当今的技术能达到这种水平。”加州大学伯克利分校人工智能专家斯图尔特·罗素(Stuart Russell)说，“我认为这让很多人感到不可思议。”
DeepMind已经将深度学习与一种名为“强化学习”的技术融为一体，后者的灵感来自斯金纳(B.F. Skinner)等动物心理学家的研究成果。这便催生了一种能够通过采取行动并搜集相关反馈进行学习的软件，这与人类和动物的常规行为模式非常相似。
人工智能研究人员数十年前就开始不断修订“强化学习”技术。但哈萨比斯表示，在DeepMind的雅达利展示前，还没有任何一个人能够开发一套足以学习电脑游戏这种复杂技能的系统。他之所以能够实现，是因为借鉴了自己对大脑最感兴趣的那块区域。雅达利运行软件的学习过程需要一遍遍地重复过往的体验，并提取出最精确的线索，决定未来的动作。“从已知的信息来看，大脑就是这样工作的。”哈萨比斯说，“当你睡觉时，海马体会向大脑皮层重复播放当天的记忆。”
一年后，罗素和其他研究人员仍在研究这种技术以及DeepMind采用的其他技术，究竟是如何实现这一非凡成就的？与此同时，他们也在探索这些技术在其他领域的潜在应用。没过多久，谷歌也意识到这个项目的重要性。在太皓湖的那次演示完成后一个月，谷歌宣布收购DeepMind。

探索未来


现在，哈萨比斯领导着一个名为谷歌DeepMind的部门。该公司的总部仍然位于伦敦，而且仍把“解决智能”作为自己的使命。该公司被谷歌收购时的员工总数约为75人，但哈萨比斯表示，他还计划再招50人。他们约有75%的员工正在从事基础研究，其余则组建了“应用研究团队”，专门探索如何将DeepMind的技术融入谷歌现有的产品。
哈萨比斯称，DeepMind的技术可以用于改善YouTube的推荐功能，并提升该公司的移动语音搜索功能。“今后几年，你会看到我们的一些技术整合到这些东西中。”他说。谷歌并非唯一一家从中看到“钱景”的公司。由于这项技术可能给英国经济带来促进作用，哈萨比斯上月获得了英国皇家学会颁发的“穆拉德奖”(Mullard Award)。
不过，哈萨比斯似乎对超越现有产品的设想更感兴趣。他的梦想是创造“人工智能科学家”，可以在实验室里针对疾病生成和检验新的假设。在我的一再追问下，他还表示，DeepMind的软件还可用于机器人领域——这其实是谷歌最近大举投资的一个领域。“我们之所以没有更多能带来更大帮助的机器人，原因之一就是它们的程序通常是事先编好的。”他说，“它们处理和学习未知的新事物时表现很糟糕。”
哈萨比斯不愿意谈论实际应用，可能是因为羞怯，也有可能因为他的研究人员仍处于初级阶段，未能完全了解如何才能推进谷歌的人工智能软件向前发展。有一个迹象可以证明人工智能技术的快速发展——谷歌内部专门成立了一个道德委员会，设想人工智能发展所带来的各种弊端。“我和谷歌的其他员工都必须充分认识人工智能。我们现在还在玩雅达利游戏。”他笑着说，“但我们的脚已经踏上了梯子的第一阶。”(书聿)

AlphaGo之父Demis Hassabis的故事，好像还有点华人血统


　　天才少年，象棋大师
　　1976 年7 月27 日的伦敦北部，Hassabis夫妇——丈夫是希腊塞浦路斯混血，妻子是新加坡中国混血——迎来了他们的第一个孩子，一个男孩。他们都是老师，曾经开过玩具店，有着“像波西米亚人”般的性格，而且都不怎么喜欢新科技和计算机。在这么个家庭，走出继承父母衣钵或者从事艺术的孩子应该是一件大概率事件。
　　事实也正是如此。这对夫妻后来又生育了一男一女，他们长大后分别进入了写作和音乐领域，从事创作方面的工作。不过，取名为Demis的大儿子从小好像走的就是一条岔路：他4岁时开始下国际象棋，一年之后“在国内立于不败之地”，到了13岁，Elo等级分为2300分，是有史以来14岁以下组别分数第二高的孩子。需要解释一下的是，Elo等级分是国际棋联使用的等级分制度，拿到2300-2399分的人水平大概是棋联大师。
　　但Demis的天才并不只限于国际象棋领域。在使用国际象棋比赛赢得的奖金买了电脑后，他在计算机上一发不可收拾：8岁编写自己的计算机游戏；16岁完成“英国高考”后加入Bullfrog Productions游戏开发公司，在游戏《Syndicate》负责关卡设计；17 岁作为联合设计者和主力程序员开发出包含AI元素的经典电子游戏《主题公园》。不过，Demis并没有过早地把游戏开发作为自己的事业，而是在这个时候选择到剑桥学习计算机科学。
　　这大概就是神童的人生，gap year（间歇年）做出的游戏牛逼得催生了一种新类型游戏（管理模拟游戏，也就是大家平常玩的模拟医院、模拟城市之类的），然后回去上世界上最一流大学的最一流专业，而且和同学们也是一样的年纪。不想输在起跑线上？和Demis比，我们可能一辈子都到不了他的起跑线。
　　在游戏界的创业生涯
　　1997年，当20岁的Demis以计算机科学双重一级荣誉学位（double first）的成绩从剑桥毕业后，他和几年前一样选择了一家游戏公司任职，负责电子游戏Black & White。在这个游戏里，玩家扮演上帝来控制几个村落，其中包含人工生命、策略和战争等等元素。但很快Demis就独立门户了：1998年创立了Elixir工作室，成为一名独立开发者。
　　在Elixir的几年中，虽然Demis设计的两款游戏《Republic: The Revolution》（凝结着Demis 雄雄野心的、一个不走寻常路的政治模拟游戏）和《Evil Genius》被提名英国“奥斯卡”，但却都没有得到大众的高评价：在Metacritic网站（类似于豆瓣网）的评分中，前者只有62分，后者则是77。
　　这并不是Demis想要的结果。2005年，Demis将游戏的知识产权和专利卖给了几个游戏出版商，关闭了工作室，重新回到了校园。而这一次，他把目光放在了认知神经科学上。
　　“21 世纪的阿波罗登月计划”
　　为什么是认知神经科学？因为大脑——人类智慧的象征——正是Demis可以为人工智能找到新算法的灵感源泉。在伦敦大学学院攻读博士学位时，Demis的主要研究领域是自传体记忆和海马体。前者指的是对个人复杂生活事件的混合记忆，后者则是人脑中负责储存短期记忆的部分。
　　经过几年的研究，Demis提出了关于情节记忆系统的新理论：场景构建是掩藏在回忆和想象中的关键过程。这种已经超越普通人常识水平的理论相信没多少人能看懂，反正这个理论就是被《科学》杂志（爱迪生创办的杂志，全球最权威的学术期刊之一）评为年度十大科学突破之一。
　　从神童成为创业者，再变成科学家，Demis的下一步没有多少人能看透。2010 年，他和在UCL读博士遇到的Shane Legg共同创办DeepMind并担任CEO，研究人工通用智能（AGI），而Demis把它形容为“21 世纪的阿波罗登月计划”。
　　大多数AI系统都是“狭隘” 的，训练事前编写好程序的代理来掌握某种特定的任务，它们并没有太多其他的能力了。……Hassabis站在另一边：他从人类大脑获取灵感，试图创造第一台“通用用途的学习机器”，一组灵活的、适应性强的算法，能够像生物系统那样只利用原始数据来学习如何从头开始掌握任何一种任务。
　　2014年，Google以4亿美元收购DeepMind，当时的他们没有产品只有论文，技术人员也仅仅有20位。不过很快DeepMind 就证明了它的价值：2015年2月，DeepMind在另一本一流科学杂志《自然》发表论文，介绍了能够通过学习成为雅达利（现代游戏机始祖）游戏高手的人工主体。
　　然后在2016年1月DeepMind再次发表论文，称他们的新算法AlphaGo在最困难的游戏——围棋——上也取得了巨大突破。而后来的事，你们应该都已经看过不下几百遍了。
　　最先进的人工智能背后也只是人
　　Demis Hassabis是个天才，这个论断就算是只知道他是那台在围棋上下赢人类的机器背后男人的人，相信也不会有很大的异议。不过，看着他谈到自己的理想、自己的童年、自己的孩子，你就会知道，他并不是什么企图溃灭人类的疯狂科学家（他希望人工智能能够在医疗、气候变化、金融等等领域发挥作用），也不是木讷的极客。不管Demis自己是否认同，他肩上担负的可能就是人类未来的某种希望。
　　每晚，Demis都会回到家里和家人一起吃饭聊天，之后陪两个儿子写作业玩游戏。在带完两个孩子上床睡觉之后，Demis会开始工作电话会议直至凌晨1点，之后用几个小时来进行思考。而在这些深夜的思考中，诞生的可能就是下一个颠覆全人类的想法。
　　

AlphaGo之父：下个版本会让电脑从零学围棋

DeepMind创始人哈撒比斯
　　导语：3月9日，谷歌人工智能AlphaGo战胜韩国棋手李世石引起巨大轰动，外媒“The Verge”在比赛结束后对AlphaGo背后的DeepMind公司联合创始人德米斯·哈萨比斯进行了长篇访谈，哈萨比斯谈到了他对人工智能未来的看法。
　　以下是文章全文：
　　DeepMind的AlphaGo战胜韩国传奇棋手李世石，点燃了空前的对人工智能问题的热情。但是，这家谷歌子公司的AlphaGo计划却远远超出了它自身 - 甚至可以说它本身都不是重点。作为DeepMind的联合创始人，德米斯·哈萨比斯(Demis Hassabis)在本周早些时候表示，DeepMind要做出“智慧解决方案”，对此他有一些想法。
　　哈萨比斯自己走了个不寻常的路去达到人生目标，现在回想起来这却是一个完美的道路。哈萨比斯是一个在智力奥林匹克竞赛中5次获得冠军的国际象棋神童。他声名鹊起则是年轻时在英国Bullfrog和Lionhead游戏开发公司工作，在那里他致力于开发一款类似于“主题公园”、“黑与白”的人工智能游戏，后来他成立了自己的工作室。哈萨比斯在00年代中期离开了游戏行业去读完神经科学的博士学位，2010年他与别人联合创立了DeepMind公司。
　　在AlphaGo首次战胜李世石后的清晨，哈萨比斯坐下来接受The Verge的访谈。他在进屋时评论着首尔四季酒店(注：比赛地点)的灯光布景，给人的感觉十分温馨友好。当一个谷歌代表告诉他，昨夜有3300篇韩国媒体文章报道了他，他明显看起来非常吃惊。 “这令人难以置信，对吧？”他说， “看到一个深奥难懂的事物开始流行起来，这很有趣。”
　　除了AlphaGo，我们的谈话触及视频游戏、下一代智能手机助手、DeepMind在谷歌公司中的角色、机器人、AI如何帮助科研等等。
　　注：本次采访内容已被轻度编辑，以便于阅读。
　　The Verge 记者萨姆·贝福德(Sam Byford)：对于那些不了解人工智能或围棋的人，你会如何描述昨天所发生的文化共鸣？
　　德米斯·哈萨比斯：对于这些我要说几点。围棋一直是完全信息博弈的巅峰。它在可能性方面比国际象棋更复杂，所以它一直是人工智能研究领域努力寻求突破的重大挑战，尤其是在“深蓝”之后。你知道，即使付出了很多的努力，我们还是没有走出太远。蒙特卡洛树搜索是十年前一个很大的创新，但我认为我们成功地用AlphaGo给神经网络引入了“直觉”——如果你想这么叫的话，而正是这些直觉让某些人成为顶尖棋手。我很惊讶，即使是现场解说迈克尔·雷德蒙德(Michael Redmond)也很难算出结局，他可是一个职业9段棋手啊！而这表明了你是有多么难写出围棋的“评价函数”(valuation function)。
　　问：当你看到AlphaGo的特殊举动，你会感到惊讶吗？
　　是啊。我们相当震惊，我认为李世石也是，从他的面部表情就能看出来。AlphaGo的那步棋深深地打入了李世石的领地。我认为这是一个相当意外的举动。
　　问：是因为(这步棋的)侵略性吗？
　　嗯，是因为侵略和大胆！此外，它在比赛中戏耍了李世石。李世石以好战而闻名，这就是他所传达出的，我们期待的那种东西。本场比赛一开始，他就在整个棋盘上求战，但是没有一处是真的。传统的围棋程序在处理这种情况时非常无力。他们在局域计算中并不差，但是在需要通盘视野的时候会很无力。
　　问：举行这次比赛的一大原因就是评估AlphaGo的能力，无论输赢。你从昨晚学到什么？
　　好吧，我想我们了解到：我们已经沿着这条线走出了很远 ——没有超出我们的预期，但达到了我们的期望。我们要告诉大众，我们认为比赛是五五开。我认为这仍然可能是正确的，这儿任何事都有可能发生，我知道李世石今天回来后会采取不同的策略。所以，我认为寻找出对手策略将是非常有趣的。
　　刚才谈到了AI的意义，回答了你的第一个问题。另一个我要告诉你的事情是，我们和深蓝是不同的。深蓝是一个“手工”程序——程序员从国际象棋的规则中提炼出信息和获得启发。而我们的AlphaGo拥有学习能力，它通过实践和学习获得知识，这更像人。
　　问：如果在系列赛中AlphaGo继续以这种方式取胜，接下来会发生什么？未来会有一个人工智能的游戏对决吗？
　　哈萨比斯：我认为作为围棋是完全信息博弈的巅峰。当然，我们还有其他顶尖棋手要比赛。此外，其他的游戏 ——像无限押注的德州扑克就非常困难。多人比赛会有其他的挑战，因为它是一个不完全信息博弈。再有明显的就是，人类在玩《星际争霸》这类游戏时比电脑更好。战略游戏需要在一个不完全信息的世界里拥有高层次的战略能力。而围棋的事情是很明显的，你可以在棋盘上看到一切，因此，这对于电脑来说更容易一些。
　　(人工智能)打败《星际争霸》这些游戏你个人会感兴趣吗？
　　也许吧。我们只对研究项目主线范围内的事情感兴趣。所以DeepMind的目的不只是打游戏，尽管那非常有趣而且令人兴奋。你知道，我喜欢玩游戏，我以前编写过电脑游戏。但是那仅限于作为测试平台，用于尝试写出我们的算法思想和测试出它能到多高等级、能玩得多好，这是一个非常有效的方式。最终，我们希望能应用到现实世界中的重大问题。
　　问：90年代末，我在英国长大，当时我在电脑杂志上看过你的名字，你的名字常常和游戏联系在一起。当我第一次听说DeepMind，看到你名字时，我在想：“真是绝配。”之前你在游戏行业的职业经历对于现在所做的工作有何影响？
　　哈萨比斯：类似DeepMind的东西一直是我的终极目标。从某种意义上来说，我在这方面的计划已有20多年时间。如果你从这种角度来看，即我所做的一切都是为了最终进军人工智能领域，那么可以发现我的选择是合理的。如果熟悉我在Bullfrog等公司的工作，那么你会知道，人工智能是我所做一切的核心。很明显，(Bullfrog创始人之一)皮特·莫里诺克斯(Peter Molyneux)的游戏也都是人工智能游戏。
　　16至17岁时，通过开发《主题公园》，我意识到如果继续发展人工智能，那么人工智能将发挥巨大的力量。我们卖出了数百万个拷贝，而许多人都喜欢这款游戏。正是由于人工智能的存在，这款游戏才可以适应玩家。我们随后继续进行开发，而我也在游戏行业的职业生涯中试图继续发展这一技术。
　　随后，我退出了游戏行业，回到了学术界，从事神经科学的研究。因为在21世纪00年代中期，我感觉通过游戏这扇“后门”去展开人工智能研究已经非常困难，因为游戏发行商只想要游戏。
　　问：当时，游戏是否是人工智能唯一显而易见的应用？

　　哈萨比斯：是的，我认为是这样。实际上我认为，当时我们正在开发技术极其领先的人工智能。我想说的是，那时学术界还停留在90年代，而所有新技术都尚未普及，也没有得到大规模应用，例如神经网络、深度学习和强化学习。因此，最优秀的人工智能技术存在于游戏之中。
　　当时的技术不同于我们目前开发的学习型人工智能，而更多的像是有限状态机。但这些系统很复杂，并且具有自适应性。类似《Black & White》的游戏采用了强化学习技术。我认为这是到目前为止游戏中最复杂的人工智能应用案例。不过到2004至2005年，很明显游戏行业走上了与90年代不同的发展方向。90年代的游戏很有趣，具有创新性。当你想到一个点子时，就可以将其开发出来。而到00年代，游戏更强调图像、内容IP，类似FIFA的游戏大行其道。因此，游戏行业不再有趣。
　　在游戏行业，我做了能做的所有一切，在成立DeepMind之前我需要收集好必要的信息。这就是神经科学。我希望从大脑解决问题的方式中获得灵感。因此，没有什么其他方式比攻读神经科学的博士学位更好。
　　问：这些或许是唾手可得的果实。你是否会将人工智能的技术进步应用在今天的游戏中？


　　哈萨比斯：我认为将会很有趣。实际上，近期EA也有人联系我，我们应该去做这件事。但现在的情况是，我们有很多事情可做！这些技术通用性很强，我愿意去做这件事，但问题是人的精力有限。目前，我们的关注重点是医疗和推荐系统，以及诸如此类的应用。但或许未来我们会去做游戏，这对我来说这形成一个闭环。实际上，在游戏中设计自适应的人工智能对手将创造一个巨大的市场。我认为，相对于为每款游戏开发新的人工智能技术，开发者会更喜欢这种模式。或许他们只需要针对每款游戏去训练通用的人工智能即可。
　　问：我可以想象，当你在家里打电子游戏时，相对于我，游戏中虚拟人物的表现会更让你失望。
　　哈萨比斯：是的，大型多人游戏和其他类似游戏总是令我感觉失望。我从来都无法真正融入游戏，因为虚拟人物看起来傻傻的。他们没有记忆，不会改变，也与环境无关。如果有学习型人工智能，那么游戏质量将提升至新的水平。
　　关于医疗
　　问：本周你谈到，人工智能未来的主要用途将是医疗、智能助理和机器人。能否详细谈谈。例如关于医疗，IBM“沃森”已经在癌症诊断领域有过一些尝试。那么，DeepMind能带来些什么？
　　哈萨比斯：目前还处于起步阶段。几周前，我们宣布了与NHS(英国国民医疗系统)的合作，但我们最开始将建设支持机器学习的平台。根据我的理解，沃森与我们所做的工作有很大不同，更像是一个专家系统。因此，这是一种类型完全不同的人工智能。这类人工智能所做的是基于医疗图像的诊断，或是追踪生命指标，以及长期的“量化自我”，帮助人们养成健康的生活习惯。我认为，强化学习非常适合这一领域。
　　问：关于与NHS的合作，你们宣布了一款应用，但这款应用似乎没有用到太多的人工智能和机器学习技术。背后的考量是什么？NHS为何要用你们的应用，而不是其他公司的软件？
　　哈萨比斯：据我所知，NHS的软件相当糟糕，因此我们要做的第一步就是让软件具备21世纪的设计。这些软件并不存在于移动端，与用户目前*以为常的产品也很不相同。我认为，这令医生和护士们感到失望，也妨碍了他们的工作进度。因此，第一步是帮他们获得更实用的工具，例如可视化和基本的数据统计。我们将开发这样的工具，看看我们的状况，随后再引入更复杂的机器学习技术。
　　问：销售难度会有多大？很明显，在英国，医疗资金是一个持续讨论的话题。
　　哈萨比斯：我们目前是免费去做，因此推广难度不大。这与大部分软件公司都有所不同。目前，开发这类软件的大多是跨国公司，因此它们并不是非常关心用户。我们的开发方式更类似于创业公司，你会去倾听用户的反馈，并与他们共同设计。
　　关于智能手机助手
　　问：让我们来谈谈智能手机助手。我看到你在演讲幻灯片中贴出了一张来自电影《她》的剧照。这代表了最终目标？
　　哈萨比斯：不是这样。我的意思是，电影《她》是主流人群看待智能助手的一种简单方式。我们需要智能手机助手变得更智能，更好地理解环境，并对你正在从事的工作有更深的理解。目前，大部分这类系统还很简单：一旦你脱开预设的模板，它们就变得毫无用处。因此关键在于让这样的助手具有更好的适应性、灵活性，同时更强大。
　　问：这方面的发展需要什么样的突破？我们为何不能立即着手去做这件事？
　　哈萨比斯：实际上我们可以，你所需的只是不同的方法。这里再次出现了预编程和后天学习的不同。目前，许多智能手机助手针对专门的应用场景进行预编程，因此只能处理预编程范围内的逻辑。现实世界非常复杂，用户会从事各种各样难以预料的事，你不可能提前预测。DeepMind认为，实现智能的唯一方法在于从头开始学习，并确保通用性。这也是我们生存的基本法则。
　　问：在起步之初，AlphaGo被教给了许多棋型模式。考虑到用户的输入信息多种多样，这种技术将如何应用至智能手机？
　　哈萨比斯：是的，数据量很大，你可以利用数据去学习。但就AlphaGo的算法而言，我们认为可以不再规定受控的学习起点，完全放手让其自学，从零起步。我们将在未来几个月进行这样的尝试。这会花更长的时间，可能是几个月，因为不按棋谱随机下棋意味着更多的尝试和试错。但我们认为，这种纯粹依靠自学的模式是可行的。
　　问：出现这样的可能性是否是由于算法已发展到目前的程度？
　　哈萨比斯：不是的。我们之前也可以这样做。这样做不会让程序更强大，这只是为了尝试纯粹的自学，摆脱人为控制的部分。我们认为，这一算法可以在不受控的情况下运转。我们去年让人工智能去玩Atari的游戏，人工智能从像素点的研究起步，这其中没有掺杂任何人类知识。人工智能从屏幕上的随机像素开始。
　　问：让人工智能玩游戏更简单，这是否因为游戏中的失败条件很明显？
　　哈萨比斯：玩游戏更简单是因为分数更有规律。在围棋比赛中，你只能得到一个分数，这就是结束时胜负。这被称作“信度分配问题”。在围棋比赛中，你做出数百次行为，但却不知道哪一次会带来胜利或失败，因此信号强度很弱。在Atari的游戏中，你所做的大部分操作都会带来得分，因此你会有更多的信息反馈，帮你知道如何去做。
　　问：能否给一个时间表，即人工智能何时能给普通人使用的手机带来明显不同？
　　哈萨比斯：在未来2到3年里，你就会看到这些。不过，起步之初的情况可能会比较微妙，某些方面还需要改进。而在4年、5年，或是5年之后，你将看到性能的大幅提升。
　　关于谷歌
　　问：在你提到的未来所有可能性中，智能手机助手与谷歌整体的关联度最大？
　　哈萨比斯：是的。
　　问：谷歌是否暗示过你们，期望你们的技术如何融入谷歌的产品路线图，或是整体商业模式？
　　哈萨比斯：不，我们有很高的自由度，可以按照我们自己的意愿去优化研究进展。这是我们的使命，也是我们加入谷歌的原因。加入谷歌使我们得到加速，过去几年的情况已然如此。当然，我们会开发谷歌的许多内部产品，但这些产品都处于极早期的阶段，因此还没有到讨论的时机。我认为，智能手机助手将是非常核心的产品，而谷歌CEO桑达尔·皮查伊(Sundar Pichai)也说过，这将是谷歌未来的最核心。
　　问：谷歌也有Google Brain等其他项目，同时也推出了诸如Google Photos搜索等面向用户的机器学习功能。
　　哈萨比斯：这类技术无处不在。
　　问：你们是否与Google Brain有过互动，双方的关注点有没有重合之处？
　　哈萨比斯：我们的互补性很强，每周都会沟通。Google Brain专注于深度学习，而他们有杰出的工程师，例如杰夫·迪恩(Jeff Dean)，因此他们将技术传播至公司的每个角落。这也是为何我们看到Google Photos搜索等强大产品的原因。他们的工作成果是现象级的。他们常驻加州山景城，因此与产品集团的联系更多，并采用12至18个月的研发周期，而我们更多地关注算法开发，周期通常为2到3年，且我们在起步之初并不直接关注产品。
　　问：谷歌对AlphaGo的支持有多重要？如果没有谷歌，你们还能不能取得这一成就？
　　哈萨比斯：非常重要。AlphaGo在比赛中并没有使用庞大的硬件，但我们需要大量的硬件资源去训练它，并制造多个版本，让它们在云计算平台上对弈。只有获得庞大的硬件资源才能高效地做到这一点。因此如果没有谷歌的资源，我们不可能在当前这个时间段就取得这样的成果。
　　关于机器人
　　问：关于机器人。我常驻日本，而日本自认为是机器人的精神家园。在日本，我看到机器人的用途有两方面。一方面，发那科制造了工业机器人，被用于多种场合。另一方面，我们也看到了类似软银Pepper的礼宾机器人，这些机器人有着远大的目标，但使用场景很有限。对于这一领域，你的看法是什么？
　　哈萨比斯：正如你所说，发那科的机器人在“肢体”上非常强大，所欠缺的是“智力”。礼宾机器人则有点类似智能助手。不过我所见到的这些机器人都经过预编程，只是按照模板做出响应。如果超出模板，那么机器人就不知所措。
　　问：我感觉，最显而易见的问题就是，机器学习之类的技术将如何提高机器人的能力。
　　哈萨比斯：这将是一种完全不同的方式。你需要从头开发，让机器人学习新东西，处理不可预期的事件。我认为，这才是在现实世界中机器人和软件与真实用户互动的方式。它们需要这类能力，从而发挥用处。因此，应当为机器人制定适当的学习路线。
　　问：你认为，学习型机器人短期内会有什么样的使用场景？
　　哈萨比斯：我们还没有太多地思考这一问题。很明显，无人驾驶汽车就是一种机器人，但目前这基本是一种狭义人工智能。不过，计算机视觉利用了学习型人工智能的某些方面，例如特斯拉就采用了基于深度学习的标准计算机视觉技术。我可以肯定，日本已经在思考诸如老人看护机器人，或家政机器人之类的产品，这对社会，尤其是老龄化社会来说很有意义。
　　问：对于这些使用场景，基于学习的方式为何更适合？
　　哈萨比斯：你只要想想这些问题：为什么我们还没有这样的技术？为什么我们还不能让机器人来帮你打扫卫生？问题在于，每个人的家中布局和家具都不相同。而即使是同一所屋子，每天的状态也在改变。某些时候乱糟糟，某些时候又很整洁。因此没有任何一种方式可以对机器人进行预先编程，针对你的屋子提供解决方案。你甚至还希望加入自己的偏好，例如你希望衣服怎么叠放。这是一个非常复杂的问题。这些事对人来说很简单，但实际上这些任务相当复杂。
　　问：问个个人问题，你用扫地机器人吗？
　　哈萨比斯：我们有一个，但用处不是太大。
　　问：我自己有一个，确实不是非常有用。我会去看看它扫的不干净的地方，并再去打扫。因此我很好奇，我们何时会看到更先进的机器人，所谓“足够好”的转折点将于何时出现？

　　哈萨比斯：是的，我是说有可能。我认为，所有人都会以合理价格买一台机器人，帮他们收拾盘子洗碗。这种简单的扫地机器人很流行。实际上它们并没有任何智能性。我认为，在这一发展道路上的每一步都是有用的。
　　问：未来，对于人类、机器人和人工智能之间的互动，你有什么样的预期？很明显，人们会想到科幻小说中的场景。
　　哈萨比斯：我个人不是很关注机器人。我关心的是将这样的人工智能应用至科学，推动科学更快地进步。我想看看由人工智能辅助的科学研究。届时人工智能将成为研究助手，去完成大量冗繁的工作，找出有趣的文章，在海量数据中找到数据结构，将这些信息呈现给人类专家和科学家，帮助他们更快地取得突破。几个月前，我曾向欧洲粒子物理研究所(CERN)做过一次演讲：相对于地球上的其他人，他们制造出了更多数据。我们都知道，在这些海量数据中可能会蕴藏新粒子的信息，但由于数据量太大，没有人能完成分析。因此我认为，如果某天人工智能可以参与寻找新粒子，那么将会很酷。(边策 维金)