本文來自AI新媒體量子位（QbitAI）
經過幾十年的野蠻生長之後，人工智能正重新回到舞台中央。成本更低的計算性能和大規模資料集使研究人員有能力将算法點石成金，而矽谷科技巨頭雄厚的資金和營銷能力也帶來了幫助。
盡管有人警告稱，超級人工智能即将出現，但那些行業專家更現實一些。他們指出，當代人工智能技術的能力範圍非常狹窄，很容易被欺騙，也無法處理很難定義的“常識性”問題。簡而言之，人工智能還不夠聰明。
問題在于，我們如何達到下個高度？對Gogole旗下DeepMind創始人哈薩比斯（Demis Hassabis）來說，答案就在于人類中間，或者說人類的身體中。
在今天發表至《神經元》雜志的一篇評論中，哈薩比斯和其他3名作者認為，人工智能需要與神經科學重建立立聯系。隻有更多地了解自然智能，我們才能真正了解（并開發出）人工智能。
這篇評論文章回顧了人工智能的發展史，展望了未來，并指出與神經科學領域的合作可以帶來哪些新發現。哈薩比斯和其他作者指出，将這兩大領域重新連接配接在一起将帶來“良性循環”。對自然智能的了解将給人工智能研究員帶來啟發，而“将智能提煉成算法結構的任務，可能會對最深刻、曆史最久遠的心靈之謎帶來有用的見解。”
那麼，這樣的雙赢要如何實作？
為了更好地了解，神經科學和人工智能如何互相學習，《The Verge》與哈薩比斯展開了對話，以問答形式呈現如下：
問：你以往曾讨論過，DeepMind最大的目标之一是開發人工智能，促進更多的科學發現，使其成為提高人類創造力的工具。神經科學如何幫助你達到這個目标？
哈薩比斯：實際上有兩種方式。其中之一是将神經科學作為算法和架構理念的靈感來源。關于開發通用智能的可行性，人類大腦是唯一現存的證明。是以我們認為，有必要付諸努力，嘗試并了解這些能力是如何形成的。随後我們可以看看，是否有些辦法，将其轉移至機器學習和人工智能。
這也是我在博士階段研究神經科學的原因：關注大腦的記憶和想象力，了解大腦中的哪些區域參與其中，存在什麼樣的機制，随後使用這些知識幫助我們思考，如何在人工智能系統中實作同樣的功能。
我們試圖了解的另一方面是，智能究竟是什麼，這也包括自然智能，人類的智力。是以我認為，可能會出現反向的幫助。利用可以完成有趣任務的人工智能算法，我們可以了解，應該如何看待大腦本身。我們可以使用這些人工智能系統作為模型，了解大腦中正在發生什麼。
問：你在論文中提到，人工智能需要了解像我們這樣的實體世界，即處于一個房間裡，以類似人類的方式去表達和解釋場景。研究者常常會談論這種“表現認知”，并認為在不具備表現認知的情況下無法開發出通用人工智能。你是否贊同這樣的觀點？
哈薩比斯：是的，我們重要的基本原則之一是，表現認知是關鍵。系統需要從最基本的原理，即感覺和運動流，建立自己的知識，并在此基礎上創造出抽象知識。這是傳統人工智能最大的問題之一，被稱作“符号接地問題”。邏輯系統在與邏輯打交道時很強大，但最終，當邏輯系統需要與現實世界打交道時，這些符号究竟代表什麼？這是傳統人工智能，或者說“老式人工智能”最困難的障礙之一。
在DeepMind，我們一直對這種接地氣的人工智能感興趣。這也是我們關于人工智能系統所做的工作。這樣的人工智能系統可以用于電子遊戲和虛拟環境。例如，它們并不使用遊戲中任何隐藏資料，隻是使用螢幕上原始的像素點。
問：這篇論文反複提到如借助神經科學突破AI的局限性，所謂局限性，指的是目前AI隻能處理某一項特定工作。麻省理工和Google等正在嘗試将不同的系統結合起來，創造更具靈活性的AI。你認為未來是否會出現通用人工智能？
哈薩比斯：這很有意思，迄今為止的AI曆史表明，專注于某一任務的AI系統顯然更容易建立，而且可以更有針對性的進行訓練。但通用人工智能很難，想創造一個能擊敗專用AI系統的通用AI系統，門檻非常高。
對于大部分的任務來說，專用人工智能系統表現更好。是以，我認為專用人工智能系統很難被取代。
但是，如果你想在不同領域之間建立聯系，或者你想得到新的發現（例如做科研），那麼這些預程式設計的專用系統顯然是不夠用的。它們被限制在被給予的知識範圍之内，是以很難有所創新。是以如果想要執行需要創新、發明等靈活性的任務，我認為通用人工智能是唯一的出路。
問：你提到大腦的想象力、預測未來的能力，是改進AI的關鍵功能。能不能舉個例子，說明AI怎麼才能擁有這些能力？
哈薩比斯：這些進階的想法目前還在很基礎的階段。先有記憶，然後再有想象。大腦裡有不同的存儲系統。比方說短期工作記憶，可以用來記住電話号碼這種不長的資訊。另外還有場景記憶，這是一種長期記憶，甚至你在睡覺的時候都能從中學習經驗。
這隻是一個想法，不同的記憶存儲系統，對AI來說很有價值。傳統的神經網絡沒有太多的記憶，隻專注于當時當刻。為了改變這個情況，人類發明了神經圖靈機，讓神經網絡可以連接配接并使用一個很大的擴充存儲器。這是一個神經科學啟發的想法。
然後我們來說想象，這是人類和一些動物，對世界的生成模型，這種模型被用來在現實世界行動之前，評估和規劃将會發生什麼，以及可能産生的後果。
想象力是一個非常強大的規劃工具。你需要建立一個世界的模型，然後使用這個模型去預測，還要及時向前推進。是以，當我們開始拆解想象力的構成時，就能獲得一些關于建構想象力所需功能的線索。
問：如果神經科學和人工智能有那麼多可以互相借鑒之處，為何一直以來都是各自獨立發展？
哈薩比斯：其實，它們一開始合作得很好。當年，許多神經科學家和AI科學家都有相似的背景，他們在會議中交流甚多，而且展開了大量合作。不過整個80年代，人工智能開始遠離神經網絡系統，人們對于馬文·明斯基的推崇，說明了原始的神經網絡無法勝任特定的任務。
但事實證明，這是錯的。因為當時人們隻着眼于太簡單的單層神經網絡。現在我們有了深度學習系統，一個非常龐大的網絡。不過在80年代，人們沒有足夠的計算能力和資料。是以AI與神經系統分離，集中在邏輯系統上。
邏輯系統和神經科學真的相去甚遠。然後AI走上專家系統的道路，使用大量的啟發式搜尋和規則來做出決定。而神經科學依賴于資料。
與此同時，神經科學繼續發展壯大。最終形成兩個龐大的領域，有着各自不同的傳統。成為其中一個領域的專家都非常困難，更别說能夠兼顧。
對于今天的AI專家來說，如果沒有相關背景就想進入神經科學，是非常困難的事情。可能每年神經科學領域有五萬篇論文發表，其中大部分與AI無關，這意味着AI專家需要在海量資訊中，尋找對自己有幫助的碎塊。
反之亦然。AI領域的技術水準很高，有很多自己的行話術語，神經科學家也很難了解。互相溝通都很困難，是以長期以來，兩個領域之間的協作非常有限。
很難找到願意投入力量連接配接這兩個困難領域的人，DeepMind正在進行嘗試，尋找兩個領域的關聯指出，并用簡潔的方式解釋出來。
上述提到的論文《Neuroscience-Inspired Artificial Intelligence（神經科學啟發的人工智能）》發表在《神經元》雜志上。
點選左下角可以“閱讀原文”，或者在量子位微信公衆号（QbitAI）對話界面回複：“神經”兩個字下載下傳PDF版本。
【完】
本文作者：陳桦 允中
原文釋出時間：2017-07-20