经过几十年的野蛮生长之后，人工智能正重新回到舞台中央。成本更低的计算性能和大规模数据集使研究人员有能力将算法点石成金，而硅谷科技巨头雄厚的资金和营销能力也带来了帮助。
尽管有人警告称，超级人工智能即将出现，但那些行业专家更现实一些。他们指出，当代人工智能技术的能力范围非常狭窄，很容易被欺骗，也无法处理很难定义的“常识性”问题。简而言之，人工智能还不够聪明。
问题在于，我们如何达到下个高度？对Gogole旗下DeepMind创始人哈萨比斯（Demis Hassabis）来说，答案就在于人类中间，或者说人类的身体中。
在今天发表至《神经元》杂志的一篇评论中，哈萨比斯和其他3名作者认为，人工智能需要与神经科学重新建立联系。只有更多地了解自然智能，我们才能真正理解（并开发出）人工智能。
这篇评论文章回顾了人工智能的发展史，展望了未来，并指出与神经科学领域的合作可以带来哪些新发现。哈萨比斯和其他作者指出，将这两大领域重新连接在一起将带来“良性循环”。对自然智能的了解将给人工智能研究员带来启发，而“将智能提炼成算法结构的任务，可能会对最深刻、历史最久远的心灵之谜带来有用的见解。”
那么，这样的双赢要如何实现？
为了更好地了解，神经科学和人工智能如何相互学习，《The Verge》与哈萨比斯展开了对话，以问答形式呈现如下：
问：你以往曾讨论过，DeepMind最大的目标之一是开发人工智能，促进更多的科学发现，使其成为提高人类创造力的工具。神经科学如何帮助你达到这个目标？
哈萨比斯：实际上有两种方式。其中之一是将神经科学作为算法和架构理念的灵感来源。关于开发通用智能的可行性，人类大脑是唯一现存的证明。因此我们认为，有必要付诸努力，尝试并理解这些能力是如何形成的。随后我们可以看看，是否有些办法，将其转移至机器学习和人工智能。
这也是我在博士阶段研究神经科学的原因：关注大脑的记忆和想象力，理解大脑中的哪些区域参与其中，存在什么样的机制，随后使用这些知识帮助我们思考，如何在人工智能系统中实现同样的功能。
我们试图理解的另一方面是，智能究竟是什么，这也包括自然智能，人类的智力。因此我认为，可能会出现反向的帮助。利用可以完成有趣任务的人工智能算法，我们可以了解，应该如何看待大脑本身。我们可以使用这些人工智能系统作为模型，了解大脑中正在发生什么。
问：你在论文中提到，人工智能需要理解像我们这样的物理世界，即处于一个房间里，以类似人类的方式去表达和解释场景。研究者常常会谈论这种“表现认知”，并认为在不具备表现认知的情况下无法开发出通用人工智能。你是否赞同这样的观点？
哈萨比斯：是的，我们重要的基本原则之一是，表现认知是关键。系统需要从最基本的原理，即感知和运动流，建立自己的知识，并在此基础上创造出抽象知识。这是传统人工智能最大的问题之一，被称作“符号接地问题”。逻辑系统在与逻辑打交道时很强大，但最终，当逻辑系统需要与现实世界打交道时，这些符号究竟代表什么？这是传统人工智能，或者说“老式人工智能”最困难的障碍之一。
在DeepMind，我们一直对这种接地气的人工智能感兴趣。这也是我们关于人工智能系统所做的工作。这样的人工智能系统可以用于电子游戏和虚拟环境。例如，它们并不使用游戏中任何隐藏数据，只是使用屏幕上原始的像素点。
问：这篇论文反复提到如借助神经科学突破AI的局限性，所谓局限性，指的是目前AI只能处理某一项特定工作。麻省理工和Google等正在尝试将不同的系统结合起来，创造更具灵活性的AI。你认为未来是否会出现通用人工智能？
哈萨比斯：这很有意思，迄今为止的AI历史表明，专注于某一任务的AI系统显然更容易创建，而且可以更有针对性的进行训练。但通用人工智能很难，想创造一个能击败专用AI系统的通用AI系统，门槛非常高。
对于大部分的任务来说，专用人工智能系统表现更好。所以，我认为专用人工智能系统很难被取代。
但是，如果你想在不同领域之间建立联系，或者你想得到新的发现（例如做科研），那么这些预编程的专用系统显然是不够用的。它们被限制在被给予的知识范围之内，所以很难有所创新。所以如果想要执行需要创新、发明等灵活性的任务，我认为通用人工智能是唯一的出路。
问：你提到大脑的想象力、预测未来的能力，是改进AI的关键功能。能不能举个例子，说明AI怎么才能拥有这些能力？
哈萨比斯：这些高级的想法目前还在很基础的阶段。先有记忆，然后再有想象。大脑里有不同的存储系统。比方说短期工作记忆，可以用来记住电话号码这种不长的信息。另外还有场景记忆，这是一种长期记忆，甚至你在睡觉的时候都能从中学习经验。
这只是一个想法，不同的记忆存储系统，对AI来说很有价值。传统的神经网络没有太多的记忆，只专注于当时当刻。为了改变这个情况，人类发明了神经图灵机，让神经网络可以连接并使用一个很大的扩展存储器。这是一个神经科学启发的想法。
然后我们来说想象，这是人类和一些动物，对世界的生成模型，这种模型被用来在现实世界行动之前，评估和规划将会发生什么，以及可能产生的后果。
想象力是一个非常强大的规划工具。你需要建立一个世界的模型，然后使用这个模型去预测，还要及时向前推进。所以，当我们开始拆解想象力的构成时，就能获得一些关于构建想象力所需功能的线索。
问：如果神经科学和人工智能有那么多可以互相借鉴之处，为何一直以来都是各自独立发展？
哈萨比斯：其实，它们一开始合作得很好。当年，许多神经科学家和AI科学家都有相似的背景，他们在会议中交流甚多，而且展开了大量合作。不过整个80年代，人工智能开始远离神经网络系统，人们对于马文·明斯基的推崇，说明了原始的神经网络无法胜任特定的任务。
但事实证明，这是错的。因为当时人们只着眼于太简单的单层神经网络。现在我们有了深度学习系统，一个非常庞大的网络。不过在80年代，人们没有足够的计算能力和数据。所以AI与神经系统分离，集中在逻辑系统上。
逻辑系统和神经科学真的相去甚远。然后AI走上专家系统的道路，使用大量的启发式搜索和规则来做出决定。而神经科学依赖于数据。
与此同时，神经科学继续发展壮大。最终形成两个庞大的领域，有着各自不同的传统。成为其中一个领域的专家都非常困难，更别说能够兼顾。
对于今天的AI专家来说，如果没有相关背景就想进入神经科学，是非常困难的事情。可能每年神经科学领域有五万篇论文发表，其中大部分与AI无关，这意味着AI专家需要在海量信息中，寻找对自己有帮助的碎块。
反之亦然。AI领域的技术水平很高，有很多自己的行话术语，神经科学家也很难理解。互相沟通都很困难，所以长期以来，两个领域之间的协作非常有限。
很难找到愿意投入力量连接这两个困难领域的人，DeepMind正在进行尝试，寻找两个领域的关联指出，并用简洁的方式解释出来。
上述提到的论文《Neuroscience-Inspired Artificial Intelligence（神经科学启发的人工智能）》发表在《神经元》杂志上。
点击左下角可以“阅读原文”，或者在量子位微信公众号（QbitAI）对话界面回复：“神经”两个字下载PDF版本。
【完】
