AlphaGo之父：AI能幫助人類在理解世界上取得巨大突破

配圖：DeepMind聯合創始人兼CEO德米斯·哈薩比斯

鳳凰科技訊 北京時間4月23日消息，谷歌旗下人工智慧研究部門DeepMind聯合創始人兼CEO德米斯·哈薩比斯（Demis Hassabis）近日在英國《金融時報》上撰文，全面闡述了人工智慧如何幫助人類在理解未知世界方面取得當前難以想像的飛躍。

以下即為文章全文：

現代文明是一個神奇的壯舉，一個可由科學實現的壯舉。每次乘飛機的時候，我都驚訝於使我們能夠翱翔在雲層之上的技術——這種技術使得乘飛機旅行成為家常便飯。我們已經繪製了基因組圖譜，開發了超級計算機和互聯網，向彗星發射了探測器，在粒子加速器中以接近於光速的速度擊碎了原子，並實現了人類登陸月球的偉業。我們是如何做到這一切的呢？當一個人開始去思考我們的大腦所能實現的成就時，這確實是一件了不起的事情。

科學方法可能是人類所擁有的最強大的一個創意，而啟蒙運動以來的進步更是驚人。但是，我們目前正處於一個關鍵時刻，我們需要掌握的許多系統都極為複雜——從氣候變化、宏觀經濟問題到阿爾茨海默式病。我們能否解決這些挑戰以及我們解決此類挑戰的速度，將會影響未來數十億人的福祉及我們所生活的環境。

問題恰恰在於，這些挑戰非常複雜，即使是世界頂尖的科學家、臨床醫師和工程師，也很難領悟取得這些突破所需要的一切複雜性。據說，萊昂納多·達芬奇（Leonardo da Vinci）也許是他那個年代最後一個完全明白知識廣度的人。從那以後，我們不得不擁有某種專長，而今天，即使是天體物理學或量子力學等單一領域的知識，也需要一個人傾注畢生精力才能完全掌握。

我們現在想要理解的那些系統是以大量數據為支撐——通常是高度動態、非線性、具有突現屬性的數據，使得我們難以從中找到某種結構和連接，揭示其中隱藏的奧秘。開普勒和牛頓可以通過方程式來描述地球上行星和物體的運動，但當今的問題極少可以簡化成一套簡潔而緊湊的公式。

最艱巨的科學任務之一

這恰恰是我們這個時代所面臨的最大科學挑戰之一。阿蘭·圖靈（Alan Turing）、約翰·馮·諾依曼（John von Neumann）、克勞德·香農（Claude Shannon）等現代計算機時代的奠基人，都明白信息理論的核心重要性，而今天我們已經意識到，幾乎所有的東西都可以在這種模式下進行思考或表達出來。這一點在生物信息學領域體現地最為明顯——在那個領域，基因組實際上就是一個巨大的信息編碼模式。我相信有朝一日，信息將被視為與能源和物質同等重要的東西。

智能的核心在於，它可以被視為一個將非結構化信息轉化為有用且可操作知識的過程。作為一個我傾注畢生精力所從事的研究項目，人工智慧的科學承諾是，我們可以綜合、自動化和優化這一過程，進而以技術為工具，幫助我們在一些領域快速獲得新知識——對人類來說，這些領域目前仍然令人不堪重負。

今天，從事人工智慧研究成了一件非常時髦的事情。然而，人工智慧一詞可能意味著無數取決於語境的事情。在我參與創辦的公司DeepMind，我們所採取的方法側重於學習和普遍性概念，目的是開發我們可用於科學研究的人工智慧。如果我們想要電腦去發現新知識，那麼我們就必須讓它們真正掌握自學能力。

我們開發的演算法可以學習如何直接從原始經驗中掌握任務，這意味著它們所獲得的知識最終是基於某種形式的感官現實而不是抽象符號。我們進一步要求它們必須感覺到，具有相同參數的相同系統可以在一系列任務中表現良好。

DeepMind曾在2015年《自然》雜誌上闡述了這兩個原則，並稱一個計算機程序通過「自學成才」，可以玩幾十種經典Atari遊戲，這種遊戲除了屏幕上的像素和得分外，不需要其他任何形式的信息輸入。我們還使用系統級神經科學作為新演算法和結構思想的主要靈感來源。畢竟，大腦才是我們唯一存在的證據，證明基於體驗的通用型學習系統是可以實現的。

人工智慧發展史上的里程碑

這與我們許多前輩的做法完全背道而馳。通過比較在遊戲領域取得世界第一的兩項突破性研究，或許最能體現出這種差異：IBM的「深藍」（Deep Blue）超級計算機（1997年擊敗了世界象棋冠軍加里·卡斯帕羅夫），以及我們最近的AlphaGo計劃（去年在世界最複雜的遊戲圍棋比賽中擊敗了世界冠軍李世石）。

「深藍」使用了所謂的「專家系統」（expert systems）方法：一個程序開發團隊與幾位國際象棋大師坐下來商討，如何將他們的知識明確地提煉出來並編寫成一套複雜的試探程序。接著，超級計算機就使用這些規則來評估海量的潛在變數，盡全力計算出正確的方法。

「深藍」戰勝卡斯帕羅夫是人工智慧發展歷史上的一個重大里程碑。但是，這場勝利只是更多地證明了IBM開發團隊和國際象棋大師的聰明才智以及當代硬體的計算能力，而不是程序本身的任何內在智能。在國際象棋大師卡斯帕羅夫被擊敗後，圍棋成為人工智慧研究的「新聖杯」。

圍棋具有大約3000年的歷史，在亞洲具有深遠的文化影響，不僅被認為是遊戲，還是一種藝術形式，其職業冠軍是公眾崇拜的偶像。圍棋的潛在下法數量達到10的171次方，超過了可觀測宇宙範圍內的原子總數，即10的80次方，因此即使窮盡整個宇宙的物質也不能存下圍棋的所有可能性。人類頂尖圍棋選手往往通過直覺和本能來處理這種巨大的複雜性，而國際象棋棋手則更依賴於精確計算。

至於AlphaGo，我們意識到為了捕捉圍棋的這種直覺，我們必須採取與「深藍」等國際象棋程序截然不同的方法。我們使用包括深層神經網路在內的通用技術來構建學習系統，而不是手工編碼的人類專家策略，並向其展示了數千個功能強大的業餘遊戲，以幫助它形成自己對於人類遊戲玩法合理性的理解。

然後，我們用不同版本的系統玩了數千次遊戲，每次從錯誤中不斷學習並逐漸改進，直到系統變得異常強大。2016年3月，我們做好了進行終極挑戰的準備：與世界頂尖圍棋棋手李世石（Lee Se-dol）對決，此人獲得過18個世界圍棋比賽冠軍，被廣泛認為是過去十年最偉大的圍棋選手。

人工智慧對科學發展的益處

超過2億人在線觀看了這場對決，最終AlphaGo以四比一戰勝李世石，專家們對此的一致意見是，這一突破比預期時間提前了十年。更為重要的是，在比賽期間，AlphaGo下出很多創造性的絕招。令人驚訝的是，其中一種下法顛覆了數百年來的智慧結晶，並從此被棋手們深入研究。在獲勝的過程中，AlphaGo向全世界傳授了這項可能是歷史上最受關注的遊戲的全新知識。

這些演算法獲得靈感的瞬間讓我們終於明白人工智慧為何對科學如此有益：機器輔助科學發現的可能性。我們相信，AlphaGo的基礎技術是通用的，可以被廣泛應用於其他一系列領域，特別是可以優化的、具有明確目標功能的領域，以及可以精確模擬的環境中，從而實現高效的高速實驗。

例如，在能源效率方面，我們使用這些演算法的一個版本，就發明了一套能將谷歌數據中心能耗降低40%的新技術，我們現在正在谷歌所有數據中心推廣這種新技術，希望最終能實現巨大的成本節約，並為環境做出巨大的貢獻。

我們認為，在接下來的幾年間，科學家和研究人員使用類似的方法，將會給人在超導材料設計到藥物發現等多個領域產生深刻見解。在許多方面，我看到人工智慧就好比是「哈勃」太空望遠鏡，後者是一種科學工具，可以讓我們看得更遠，更好地了解宇宙。

加深對人類自身的了解

當然，像任何強大的技術一樣，人工智慧也必須以負責任、有道德的方式進行使用，使每個人都從中受益。我們還必須明確認識到人工智慧演算法的實用性和局限性。但是，由於對人工智慧的密切關注，加上對相關數據質量影響的更多研究，我們終有一天會發現，人工智慧通過發現可逃過人眼的模式和來源，在支持各類專家的工作方面發揮至關重要的作用。

正是科學家與演算法之間的這種合作，將決定著未來幾十年里科學進步的具體成就。我相信，人工智慧將成為科學家可以部署的解決方案，進而提升我們的日常生活質量，使得我們所有人都能更快、更高效地工作。如果我們可以廣泛、適度地部署這些工具，創造一種生機勃勃的環境，讓每個人都能參與並從中受益，那麼我們就有機會豐富和推進人類的整體發展。

在此過程中，我們可能還會學到一些關於我們自己的東西。我一直覺得物理和神經科學在某種程度上是最根本的學科：一個與外部世界有關，另一個與我們頭腦中的內部世界有關。因此，兩者之間涵蓋一切東西。人工智慧可以幫助我們更好地理解這兩個學科。當我們發現了更多有關學習過程本身的事情，並將其與人類大腦進行比較時，我們有一天就可以更好地了解使人類獨一無二的東西，比如揭示思維中一些長期未解的謎團，如夢想、創造力、甚至是意識。

如果人工智慧不僅可以幫助我們整個社會拯救環境、治癒疾病和探索宇宙，還能更好地了解我們自己，這也許最終會成為人類獲得的最偉大的發現之一。（編譯/清辰）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！