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。
