图片：DeepMind共同创始人兼首席执行官Demis Hassabis，Hasabi凤凰科技新闻，北京时间，4月23日。谷歌人工智能研究部门DeepMind的联合创始人兼首席执行官德米斯•哈萨比斯（Demis Hassabis）最近在英国《金融时报》（Financial Times）上发表了一篇文章，解释人工智能如何提供帮助。人类在认识未知世界方面取得了难以想象的飞跃。本文的全文是：现代文明是一项神奇的壮举，是科学能够实现的壮举。每次我飞，我都惊讶于能让我们翱翔在云层之上的技术。这项技术使飞行成为日常用餐。我们绘制了基因组图，开发了超级计算机和互联网，向彗星发射了探测器，以接近光速的速度粉碎了粒子加速器中的原子，完成了登陆月球的伟大任务。我们该怎么做呢？当我们开始思考我们的大脑能达到什么时，这真是一件很棒的事情。科学方法可能是人类拥有的最强大的思想，自启蒙运动以来的进步是惊人的。但我们正处于关键时刻，我们需要掌握的许多系统极其复杂，“从气候变化、宏观经济问题到阿尔茨海默病”。我们是否能够应对这些挑战以及我们能够以多快的速度应对这些挑战将影响未来数十亿人民的福祉和我们生活的环境。问题恰恰是这些挑战如此复杂，以至于即使是世界上最顶尖的科学家、临床医生和工程师也难以理解实现这些突破所需的所有复杂性。据说达·芬奇可能是他这一代人中最了解知识广度的最后一个人。从那时起，我们不得不拥有一些专业知识，而今天，即使是天体物理学或量子力学等单一领域的知识，也要求一个人毕生致力于掌握它。我们现在想要了解的系统是由大量数据支持的。通常，高度动态的、非线性的、具有显著属性的数据使我们很难发现一些结构和联系，并揭示隐藏的秘密。开普勒和牛顿可以用方程来描述恒星和物体在地球上的运动，但是现在很少有问题可以简化为一组简洁的公式。最艰巨的科学任务之一正是我们这个时代最伟大的科学挑战之一。现代计算机时代的创始人，如艾伦·图灵、约翰·冯·诺伊曼和克劳德·香农，都理解信息论的核心重要性，今天我们已经意识到，几乎所有的事情都可以用这种方式思考或表达。这在生物信息学领域最为明显。在这一领域，基因组实际上是一个巨大的信息编码模型。我相信有一天，信息将被视为同等重要的能源和物质。智能的核心在于，它可以被看作是将非结构化信息转化为有用和可操作的知识的过程。作为一项我毕生致力于的研究项目，人工智能的科学承诺是，我们能够集成、自动化和优化这个过程，然后利用技术作为工具，帮助我们在某些领域快速获取新知识。”对于人类来说，这些地区仍然是势不可挡的。今天，对人工智能的研究已经成为一种非常时髦的东西。然而，人工智能这个术语可能意味着很多依赖于上下文的事物。在DeepMind，我共同创立的公司，我们专注于学习和普及概念，以便开发可用于科学研究的人工智能。如果我们想让计算机发现新知识，那么我们必须让他们真正的自学成才。我们开发的算法可以学习如何直接从原始经验中掌握任务，这意味着他们获得的知识最终是基于某种形式的感觉现实，而不是抽象的符号。我们还要求他们感觉同一个系统具有相同的参数可以在一系列的任务中表现良好。DeepMind在2015年出版的《自然》杂志上描述了这两条原则，并说一个计算机程序可以通过“自学”来玩几十个经典的Atari游戏，除了屏幕上的像素和分数之外，它不需要任何其他形式的信息输入。我们还使用系统级神经科学作为新算法和结构思想的主要灵感来源。毕竟，大脑是我们存在的唯一证据，证明了基于经验的通用学习系统是可以实现的。AI发展史上的里程碑完全不同于我们许多前任的实践。通过比较世界顶级游戏中的两个突破，也许最能说明问题的是区别：IBM的深蓝超级计算机，它于1997年击败了世界象棋冠军加里·卡斯帕罗夫；以及我们最新的阿尔法围棋项目，它是去年世界上最复杂的游戏。击败世界冠军李世石。“深蓝”使用所谓的“专家系统”方法：一个程序开发团队与几个国际象棋大师坐下来讨论如何清晰地提取他们的知识并编写一个复杂的试用程序。然后，超级计算机使用这些规则来评估大量的潜在变量，并尽力找出正确的方法。”“深蓝”打败卡斯帕罗夫是人工智能发展史上的一个重要里程碑。然而，这次胜利仅仅展示了IBM开发团队和象棋大师的智慧，以及当代硬件的计算能力，而不是程序本身的任何固有智能。国际象棋大师卡斯帕罗夫战败后，围棋成为了人工智能研究的“新圣杯”。Weiqi有3000年的历史。它在亚洲有着深远的文化影响。它不仅被认为是一种游戏，而且是一种艺术形式。它的职业冠军是公众崇拜的偶像。围棋的势能数达到了171次方10，超过了可观测宇宙中原子的总数，即80次方10。因此，即使整个宇宙都耗尽了，所有的可能性都无法挽救。顶尖的人类围棋选手经常通过直觉和本能来处理这种巨大的复杂性，而象棋选手则更依赖于精确的计算。至于AlphaGo，我们意识到为了捕捉Go的直觉，我们必须采取一种完全不同于国际象棋程序（比如深蓝）的方法。我们使用一般技术，包括深层神经网络，来建立学习系统，而不是手动编码的人类专家策略，并向他们展示数以千计的强大的业余游戏，帮助他们形成自己对人类游戏合理性的理解。然后，我们用系统的不同版本玩了几千个游戏，从错误中学习，并且每次都逐渐改进，直到系统变得非常强大。2016年3月，我们准备迎接最后的挑战：对阵世界顶级围棋选手李·塞多尔，他赢得了18次世界围棋锦标赛，并被广泛认为是过去十年中最伟大的围棋选手。超过2亿人在网上观看了人工智能对科学发展的益处的战斗，阿尔法·戈最终以4比1击败了李世石。专家们一致认为，这项突破计划提前了十年。更重要的是，在比赛中，AlphaGo做了很多创造性的把戏。令人惊讶的是，其中之一数百年来颠覆了智慧的结晶，并从此被国际象棋选手研究。在获胜的过程中，阿法戈教给世界一个全新的知识，这可能是历史上最有趣的游戏。受这些算法的启发，我们终于理解了为什么人工智能对科学如此有利：机器辅助科学发现的可能性。我们认为，AlphaGo的基本技术是通用的，可以广泛地应用于其他领域，特别是在可以优化、目标明确、可以精确模拟环境的领域，从而实现高效和高速的实验。例如，在能量效率方面，我们使用这些算法的版本来创建集合。

« OFO联合创始人：今年扩展到20个国家，价值超过20亿美元。 | 胡伟炜：不想成为一个大男人，年轻女人。如何成为独角兽？ »