DeepMind聯合創始人哈薩比斯近日在倫敦經濟學人創新峰會上闡述了他對AI未來的展望：AI將拯救我們自己；AI將帶來諾貝爾獎級別的科學突破；深度學習不足以破解通用AI問題。哈薩比斯表示，如果未來的世界沒有AI，他將對這個世界非常悲觀。

由Google DeepMind開發的AlphaGo系統在與人類世界冠軍對弈的圍棋比賽中大獲全勝，打破了人們的預期，即距離計算機打敗人類冠軍還有很多年的時間。

盡管這一成就意義重大，但DeepMind的聯合創始人哈薩比斯（Demis Hassabis）預計，未來幾年人工智能改變社會的程度，將使這一成就相形見絀。

哈薩比斯在倫敦經濟學人創新峰會上闡述了他對人工智能未來的展望。

DeepMind聯合創始人Demis Hassabis

AI將把我們從我們自己手里拯救出來

哈薩比斯說：“如果未來的世界沒有AI，我會對這個世界非常悲觀。”

“我這么說的原因是，如果你看看社會面臨的挑戰：氣候變化、可持續性、大規模不平等（而且越來越嚴重）、疾病和醫療問題，我們在所有這些方面的進展都不夠快。”

“要么我們需要人類行為的指數級改進——更少自私，更少短期主義，更多合作，更多慷慨——要么我們需要技術的指數級改進。”

“目前的跡象是，如果你看看當前的地緣政治，我認為我們不會很快在人類行為方面得到指數級的改進。”

“這就是我們需要AI這樣的技術實現巨大飛躍的原因。”

哈薩比斯在倫敦經濟學人創新峰會上

AI將帶來諾貝爾獎級別的科學突破

哈薩比斯堅信AI可以抵消人類貪婪和自私的最壞影響，原因在于這項技術可以輕易地應用于解決棘手的問題，比如防止災難性的氣候變化。

“我認為AI是一個非常強大的工具。我最興奮的是將這些工具應用于科學，并加速突破。”哈薩比斯說。

他說，如今的機器學習和相關的AI技術已經使圖像識別和在大量數據中發現模式等任務成為可能。

但哈薩比斯對AI優化任務能力的潛在應用特別感興趣，如果沒有優化，這些任務將會極其復雜。AlphaGo的成功就證明了這一點。

“你可以想象一個巨大的組合空間，你正試圖找到一條穿過它的路徑。顯然，像國際象棋和圍棋這樣的游戲就是這樣，有太多的可能性，你不可能強行推出正確的解決方案。”

“科學中有很多領域都有類似的結構。我想到的是材料和藥物設計領域，在這些領域中，研究人員經常要做的就費力地將各種化合物組合在一起，并測試它們的性質。”

哈薩比斯說，材料設計等領域的突破可能會產生深遠的影響。

“例如，有人推測，可能存在一種可以徹底改變功率和能量的室溫超導體，但我們目前不知道這種化合物是什么。”

“這是讓我真正感到非常興奮的事情，我認為我們將在未來10年看到一些巨大的突破，在其中一些領域將取得可獲諾貝爾獎的突破，”哈薩比斯說。

他說，DeepMind正在研究如何將機器學習和其他與AI相關的技術應用到蛋白質折疊和量子化學等領域。

哈薩比斯也承認，這些系統的使用有可能造成傷害，并提出了在某個階段，在“五到十年的時間”內可能存在一些爭論，要求將一些研究排除于公共領域之外，以防止被“壞人”利用。

深度學習不足以解決通用AI

創建一臺具有類似于人類智能的機器需要比深度學習系統更廣泛的技術，盡管深度學習推動了最近的許多突破。

“深度學習是一項了不起的技術，它本身非常有用，但在我看來，它絕對不足以解決通用AI問題，”哈薩比斯說。

“我認為深度學習是解決通用AI的一個組成部分，也許還需要更多類似深度學習的突破。需要更多的創新。”

“大腦是一個綜合系統，但大腦的不同部分負責不同的任務。”

“海馬體負責情景記憶，前額葉皮質負責控制，等等。”

“你可以把目前的深度學習看作是相當于大腦中的感覺皮層一樣東西：視覺皮質或聽覺皮質。”

“但是，真正的智能遠不止于此。你必須把它重新組合成更高層次的思維和符號推理，這是80年代經典AI試圖解決的問題。”

“你可以這樣看待我們的研究項目：我們能否從自己的感知構建，利用深度學習系統，并從基本原則中學習？我們能否一直構建，直到高級思維和符號思維?”

“為了做到這一點，我們需要解決一些問題，比如學習概念。這些問題對于人類來說毫不費力，但我們目前的學習系統卻做不到。”

DeepMind正在研究如何在一些領域改進人工智能，將允許系統在現今不可能實現的水平上進行推理，并在不同的領域之間遷移知識，就像一個會駕駛汽車的人可以將開汽車的知識應用來開貨車。

例如，DeepMind和德國馬格德堡大學的一組神經科學家和人工智能研究人員9月19日在Neuron雜志上發表的一篇研究論文，為了解人類大腦連接單個情景記憶來解決問題方式提供了一個視角。

人類有能力創造性地結合他們的記憶來解決問題并獲得新的見解，這個過程依賴于特定事件的記憶，即情景記憶（episodic memory）。雖然情景記憶在過去已經被廣泛研究，但目前的理論并不能很容易地解釋人們如何利用情景記憶來獲得這些新的見解。

DeepMind的研究人員提出了一種新的大腦機制，該機制將允許檢索到的記憶以這種方式觸發對更多相關記憶的檢索。這種機制允許檢索多個相連的記憶，這樣大腦就能產生類似這樣的新見解。研究人員認為，他們的結果可以幫助AI在未來更快地學習。

“我們正試圖在新型技術方面取得突破，我們認為這些技術對于概念形成、如何將語言理解引入目前的前語言系統（pre-linguistic system）等方面都是必需的，”哈薩比斯說。

“AlphaGo不理解語言，但我們希望它能建立這種象征性的推理水平——數學、語言和邏輯。因此，這是我們工作的重要部分，”哈薩比斯補充說，DeepMind還致力于研究如何提高學習效率，以減少目前訓練深度學習系統所需的龐大數據量。