在荒野中生活了几十年后，人工智能已经大摇大摆地回到了舞台中央。廉价的计算机能力和海量的数据集赋予了研究人员炼金术般的能力，使算法变成了黄金，硅谷科技巨头们的雄厚财力（和营销能力）也没有受到影响。

但尽管有人警告说，超级智能人工智能的诞生指日可待，但那些在计算煤矿工作的人更为现实。他们指出，当代人工智能程序的能力极其狭窄；他们很容易上当受骗，根本不具备那些很难定义但很容易被发现的技能，我们通常把这些技能概括为“常识”。简而言之，他们没有那么聪明。

问题是：我们如何进入下一个层次？对于谷歌人工智能巨头DeepMind的创始人黛米斯•哈萨比斯（Demis Hassabis）来说，答案就在我们自己。真的。在发表在《今日神经元》杂志上的一篇评论中，哈萨比斯和三位合著者认为，人工智能领域需要与神经科学世界重新连接，只有更多地了解自然智能，我们才能真正理解（并创造）人工智能。

这篇综述回顾了人工智能的历史和未来，并指出了与神经科学领域的合作带来了哪些新发现。哈萨比斯和他的合著者写道，重新连接这两个学科将创造一个“良性循环”。人工智能研究人员将从他们对自然智能的了解中得到启发，而“将智能提炼成一个算法结构[可能]产生对一些最深刻和最持久的心灵奥秘的洞察。”这对双赢有何意义？

为了进一步了解神经科学和人工智能相互之间可以学到什么，我们与哈萨比斯本人进行了简短的交谈：

为了清晰起见，这篇采访经过了小幅编辑。

黛米斯，你过去说过，DeepMind最大的目标之一是创造人工智能，帮助进一步的科学发现，并作为提高人类创造力的工具。神经科学将如何帮助你达到这个目标？

其实有两种方法。一种是将神经科学作为算法和架构思想的灵感来源。人类大脑是我们现有的唯一证据，证明我们试图建立的那种一般智力甚至是可能的，因此我们认为值得投入努力，去尝试和理解它是如何实现这些能力的。然后我们可以看看是否有想法可以转化为机器学习和人工智能。

这就是为什么我在攻读博士学位时学习神经科学——研究大脑的记忆和想象力；了解哪些脑区参与，哪些机制参与；然后[利用它]帮助我们思考如何在我们的人工智能系统中实现这些相同的功能。

我们真正想了解的另一组东西是什么是智力-包括自然智力，我们自己的思想。因此，我认为应该有一些回流，从人工智能算法，做有趣的事情，这导致了想法，如何和什么，我们应该寻找在大脑本身。我们可以用这些人工智能系统作为大脑活动的模型。

你在论文中提到的人工智能需要的一件事就是像我们一样理解物理世界——被放在一个房间里，能够“以类似人类的方式解释和推理场景”。研究人员经常谈论这种“具身认知”，并说没有它我们就无法创造出一般的人工智能，你同意这一点吗？

是的，所以，我们的一大原则是，具体认知是关键。它的思想是，一个系统需要能够建立自己的知识从第一原理-从其感官和运动流-然后创造抽象的知识从那里。这是经典人工智能的一个大问题，也就是所谓的“符号基础问题”。其思想是，逻辑系统在处理逻辑时是好的，但归根结底，当这些逻辑系统与现实世界交互时，这些符号真正指的是什么？这是经典人工智能的一大绊脚石，有时也被称为优秀的老式人工智能。

[在DeepMind]我们一直对基础智能感兴趣，这就是我们对AI系统的做法，那些在视频游戏和虚拟环境中工作的系统。例如，他们不会在游戏中使用任何隐藏的数据。他们只是使用屏幕上的原始像素，就好像他们在虚拟世界中的物理体现。

论文中反复出现的一个主题是神经科学如何帮助我们超越当代人工智能的极限，这主要是关于处理一项特定任务的系统，比如识别照片中的人脸。麻省理工学院（MIT）和谷歌（Google）等一些组织正在研究如何将不同的系统结合起来，创造出更具灵活性的人工智能。你认为未来我们还会使用狭义的人工智能，还是所有的事情都会由更广义的系统来完成？

这很有趣，因为到目前为止，人工智能的发展历史表明，专业化系统显然更容易编写和创建，你可以磨练它们的性能[以完成]你试图解决的任何专业任务。所以，这很难。对于一个通用系统来说，要想打败专用系统，标准是相当高的。对于很多任务来说，最好有专门的人工智能系统，在那里你真正了解这个领域，你可以把它编出来。在这里，专门的人工智能系统将很难被打败。

但是，如果你想做一些事情，比如在不同领域之间建立联系，或者如果你想发现新的知识（这是我们在科学领域喜欢做的事情），那么这些预先编程的、专门化的系统是不够的。他们将被局限于知识，可以放在他们，所以这是很难真正发现新事物，创新或创造。因此，任何需要创新、发明或某种灵活性的任务——我认为只有通用系统才能做到这一点。

你提到的改善人工智能的关键是大脑的一点功能，那就是想象力，以及计划将来会发生什么的能力。你能举一个例子说明神经科学在哪里帮助人工智能研究人员赋予计算机这些技能吗？

是的，即使只是一些基本的，高层次的想法也是如此。让我们先回忆，然后想象。有了记忆，你的大脑就有了多种记忆系统。这就是你的短期工作记忆，你可以用它来记忆诸如电话号码之类的东西。它被认为是七个信息单位，加上或减去两个。然后你就有了情节记忆，这是一种长期记忆，它储存你的经历，并在你睡觉的时候回放它们，这样你就可以从这些经历中学习，即使在你睡觉的时候。

因此，拥有不同类型记忆系统的想法在人工智能中非常有用。传统上，神经网络实际上没有太多的记忆。他们现在有点忙。正是为了真正推动这一点，我们才发明了神经图灵机器，在这里我们引入了一个想法，即有一个大的外部存储器连接到神经网络上，神经网络可以访问和使用它。这是一个受神经科学启发的想法。

然后，如果你看看想象之类的东西，就会发现人类和其他一些动物依赖于他们建立的世界的生成模型。他们利用这些模型生成新的轨迹和情景——反事实情景——以便在现实世界中采取行动之前规划和评估（将要发生的事情），这些行动可能会产生后果或在某种程度上代价高昂。

想象力是一个非常强大的计划工具。你需要建立一个世界的模型；你需要能够使用该模型进行规划；你需要能够及时地向前投射。因此，当你开始分解想象力中所涉及的东西时，你就开始得到一些线索，知道你需要什么样的能力和功能才能拥有这种整体能力。

如果神经科学和人工智能有那么多东西要相互学习，你认为他们为什么会在一开始就分道扬镳呢？

嗯，他们一开始的关系很好。当年，很多神经科学家和人工智能科学家都有相似的背景。他们在会议上经常交谈，有很多合作。但是在80年代左右，人工智能从神经网络系统中有了很大的发展，像[人工智能先驱马文]明斯基这样的人证明了那些原始神经网络系统的一些东西——他们不能完成某些任务。

但是，事实证明，他们错了。因为他们研究的是过于简单的单层神经网络。现在我们使用深度学习系统，这些非常大的网络。但是在80年代，他们没有足够的计算能力和数据来**这些。所以当时，他们从神经型系统转向关注逻辑系统。逻辑系统确实离神经科学很远。人工智能沿着专家系统的路线走，你有大量的启发式和规则，你用这些规则和启发式来做决定。这更多的是关于数据库而不是神经科学。

与此同时，神经科学继续朝着自己的方向发展，并成为一个巨大的领域。所以现在你们有两个非常，非常大的领域沉浸在他们自己的传统中。即使是其中一个领域的专家也很难做到，更别说在这两个领域都有足够的专家，你可以翻译并找到它们之间的联系。

如果你现在是一个人工智能专家，你没有任何神经科学背景，你尝试进入它，这是相当令人望而生畏的。我想每年大约有5万篇论文发表在《神经科学》上——我记不清确切的数字了。因此，有大量的工作要去尝试和理解，其中大部分都与人工智能无关，这意味着你在大海捞针，寻找关键信息。

这是一件很难驾驭的事情，在很长一段时间里，各个领域之间的合作也因此减少，反之亦然。人工智能领域是一个技术性很强的领域，有很多自己的行话，这对一个神经科学家来说是很难理解的。

很难找到愿意在这两个完全不同的领域中努力沟通的人，这就是我们在这里深入思考的目的——找到有能力做到这一点的人，找到这些联系，并以简洁的方式向另一个领域解释这一点。

今天的论文《神经科学启发的人工智能》发表在《神经元》杂志上，可以在这里全文阅读。