在荒野中生活了幾十年後，人工智慧已經大搖大擺地回到了舞臺中央。廉價的計算機能力和海量的資料集賦予了研究人員煉金術般的能力，使演算法變成了黃金，矽谷科技巨頭們的雄厚財力（和營銷能力）也沒有受到影響。

但儘管有人警告說，超級智慧人工智慧的誕生指日可待，但那些在計算煤礦工作的人更為現實。他們指出，當代人工智慧程式的能力極其狹窄；他們很容易上當受騙，根本不具備那些很難定義但很容易被髮現的技能，我們通常把這些技能概括為“常識”。簡而言之，他們沒有那麼聰明。

問題是：我們如何進入下一個層次？對於谷歌人工智慧巨頭DeepMind的創始人黛米斯•哈薩比斯（Demis Hassabis）來說，答案就在我們自己。真的。在發表在《今日神經元》雜誌上的一篇評論中，哈薩比斯和三位合著者認為，人工智慧領域需要與神經科學世界重新連線，只有更多地瞭解自然智慧，我們才能真正理解（並創造）人工智慧。

這篇綜述回顧了人工智慧的歷史和未來，並指出了與神經科學領域的合作帶來了哪些新發現。哈薩比斯和他的合著者寫道，重新連線這兩個學科將創造一個“良性迴圈”。人工智慧研究人員將從他們對自然智慧的瞭解中得到啟發，而“將智慧提煉成一個演算法結構[可能]產生對一些最深刻和最持久的心靈奧祕的洞察。”這對雙贏有何意義？

為了進一步瞭解神經科學和人工智慧相互之間可以學到什麼，我們與哈薩比斯本人進行了簡短的交談：

為了清晰起見，這篇採訪經過了小幅編輯。

黛米斯，你過去說過，DeepMind最大的目標之一是創造人工智慧，幫助進一步的科學發現，並作為提高人類創造力的工具。神經科學將如何幫助你達到這個目標？

其實有兩種方法。一種是將神經科學作為演算法和架構思想的靈感來源。人類大腦是我們現有的唯一證據，證明我們試圖建立的那種一般智力甚至是可能的，因此我們認為值得投入努力，去嘗試和理解它是如何實現這些能力的。然後我們可以看看是否有想法可以轉化為機器學習和人工智慧。

這就是為什麼我在攻讀博士學位時學習神經科學——研究大腦的記憶和想象力；瞭解哪些腦區參與，哪些機制參與；然後[利用它]幫助我們思考如何在我們的人工智慧系統中實現這些相同的功能。

我們真正想瞭解的另一組東西是什麼是智力-包括自然智力，我們自己的思想。因此，我認為應該有一些迴流，從人工智慧演算法，做有趣的事情，這導致了想法，如何和什麼，我們應該尋找在大腦本身。我們可以用這些人工智慧系統作為大腦活動的模型。

你在論文中提到的人工智慧需要的一件事就是像我們一樣理解物理世界——被放在一個房間裡，能夠“以類似人類的方式解釋和推理場景”。研究人員經常談論這種“具身認知”，並說沒有它我們就無法創造出一般的人工智慧，你同意這一點嗎？

是的，所以，我們的一大原則是，具體認知是關鍵。它的思想是，一個系統需要能夠建立自己的知識從第一原理-從其感官和運動流-然後創造抽象的知識從那裡。這是經典人工智慧的一個大問題，也就是所謂的“符號基礎問題”。其思想是，邏輯系統在處理邏輯時是好的，但歸根結底，當這些邏輯系統與現實世界互動時，這些符號真正指的是什麼？這是經典人工智慧的一大絆腳石，有時也被稱為優秀的老式人工智慧。

[在DeepMind]我們一直對基礎智慧感興趣，這就是我們對AI系統的做法，那些在影片遊戲和虛擬環境中工作的系統。例如，他們不會在遊戲中使用任何隱藏的資料。他們只是使用螢幕上的原始畫素，就好像他們在虛擬世界中的物理體現。

論文中反覆出現的一個主題是神經科學如何幫助我們超越當代人工智慧的極限，這主要是關於處理一項特定任務的系統，比如識別照片中的人臉。麻省理工學院（MIT）和谷歌（Google）等一些組織正在研究如何將不同的系統結合起來，創造出更具靈活性的人工智慧。你認為未來我們還會使用狹義的人工智慧，還是所有的事情都會由更廣義的系統來完成？

這很有趣，因為到目前為止，人工智慧的發展歷史表明，專業化系統顯然更容易編寫和建立，你可以磨練它們的效能[以完成]你試圖解決的任何專業任務。所以，這很難。對於一個通用系統來說，要想打敗專用系統，標準是相當高的。對於很多工來說，最好有專門的人工智慧系統，在那裡你真正瞭解這個領域，你可以把它編出來。在這裡，專門的人工智慧系統將很難被打敗。

但是，如果你想做一些事情，比如在不同領域之間建立聯絡，或者如果你想發現新的知識（這是我們在科學領域喜歡做的事情），那麼這些預先程式設計的、專門化的系統是不夠的。他們將被侷限於知識，可以放在他們，所以這是很難真正發現新事物，創新或創造。因此，任何需要創新、發明或某種靈活性的任務——我認為只有通用系統才能做到這一點。

你提到的改善人工智慧的關鍵是大腦的一點功能，那就是想象力，以及計劃將來會發生什麼的能力。你能舉一個例子說明神經科學在哪裡幫助人工智慧研究人員賦予計算機這些技能嗎？

是的，即使只是一些基本的，高層次的想法也是如此。讓我們先回憶，然後想象。有了記憶，你的大腦就有了多種記憶系統。這就是你的短期工作記憶，你可以用它來記憶諸如電話號碼之類的東西。它被認為是七個資訊單位，加上或減去兩個。然後你就有了情節記憶，這是一種長期記憶，它儲存你的經歷，併在你睡覺的時候回放它們，這樣你就可以從這些經歷中學習，即使在你睡覺的時候。

因此，擁有不同型別記憶系統的想法在人工智慧中非常有用。傳統上，神經網路實際上沒有太多的記憶。他們現在有點忙。正是為了真正推動這一點，我們才發明瞭神經圖靈機器，在這裡我們引入了一個想法，即有一個大的外部儲存器連線到神經網路上，神經網路可以訪問和使用它。這是一個受神經科學啟發的想法。

然後，如果你看看想象之類的東西，就會發現人類和其他一些動物依賴於他們建立的世界的生成模型。他們利用這些模型生成新的軌跡和情景——反事實情景——以便在現實世界中採取行動之前規劃和評估（將要發生的事情），這些行動可能會產生後果或在某種程度上代價高昂。

想象力是一個非常強大的計劃工具。你需要建立一個世界的模型；你需要能夠使用該模型進行規劃；你需要能夠及時地向前投射。因此，當你開始分解想象力中所涉及的東西時，你就開始得到一些線索，知道你需要什麼樣的能力和功能才能擁有這種整體能力。

如果神經科學和人工智慧有那麼多東西要相互學習，你認為他們為什麼會在一開始就分道揚鑣呢？

嗯，他們一開始的關係很好。當年，很多神經科學家和人工智慧科學家都有相似的背景。他們在會議上經常交談，有很多合作。但是在80年代左右，人工智慧從神經網路系統中有了很大的發展，像[人工智慧先驅馬文]明斯基這樣的人證明瞭那些原始神經網路系統的一些東西——他們不能完成某些任務。

但是，事實證明，他們錯了。因為他們研究的是過於簡單的單層神經網路。現在我們使用深度學習系統，這些非常大的網路。但是在80年代，他們沒有足夠的計算能力和資料來**這些。所以當時，他們從神經型系統轉向關註邏輯系統。邏輯系統確實離神經科學很遠。人工智慧沿著專家系統的路線走，你有大量的啟髮式和規則，你用這些規則和啟髮式來做決定。這更多的是關於資料庫而不是神經科學。

與此同時，神經科學繼續朝著自己的方向發展，併成為一個巨大的領域。所以現在你們有兩個非常，非常大的領域沉浸在他們自己的傳統中。即使是其中一個領域的專家也很難做到，更別說在這兩個領域都有足夠的專家，你可以翻譯並找到它們之間的聯絡。

如果你現在是一個人工智慧專家，你沒有任何神經科學背景，你嘗試進入它，這是相當令人望而生畏的。我想每年大約有5萬篇論文發表在《神經科學》上——我記不清確切的數字了。因此，有大量的工作要去嘗試和理解，其中大部分都與人工智慧無關，這意味著你在大海撈針，尋找關鍵資訊。

這是一件很難駕馭的事情，在很長一段時間裡，各個領域之間的合作也因此減少，反之亦然。人工智慧領域是一個技術性很強的領域，有很多自己的行話，這對一個神經科學家來說是很難理解的。

很難找到願意在這兩個完全不同的領域中努力溝通的人，這就是我們在這裡深入思考的目的——找到有能力做到這一點的人，找到這些聯絡，並以簡潔的方式向另一個領域解釋這一點。

今天的論文《神經科學啟發的人工智慧》發表在《神經元》雜誌上，可以在這裡全文閱讀。