untitled寻找未来：Demis Hassabis 摄影：David Ellis
本文来源：机器之心
引言：该篇文章是《卫报》对DeepMind创始人Demis Hassabis的深度专访，全面且深刻的还原了这位天才的性格、生活，以及对人工智能的热情和野心。他有着近乎传奇的早期经历，在国际象棋、游戏设计、计算机科学和神经科学等多个领域取得的成就形成了他从事人工智能伟大研究的完整拼图，他称自己为科学与创造力的结合体。Hassabis带领DeepMind进行开创性的人工智能研究，破解围棋这一历史难题，研究成果在极短的时间内两次登上《Nature》封面。而更加重要的是，DeepMind开创了一种科学研究与创业团队完美结合的机制。DeepMind在积极探索人工智能研究和应用的同时，在人工智能伦理研究方面也走在了全世界前列。Hassabis更是通过一次长谈说服了霍金，让他不再对人工智能大放厥词。Hassabis就像DeepMind的AlphaGo一样，像个超人一样保持高强度的工作和学习节奏，他把人工智能当成为之毕生奋斗的事业，也是他生活中的一部分。而Hassabis将和他的DeepMind继续朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。
Demis Hassabis举止温和，面容谦逊，而当他告诉我他正在为“破解智能难题，然后用其来解决一切问题”的使命而奋斗时又格外认真。其他任何人说出这句话，听起来都十分可笑，但这句话从他的口中说出就另当别论了。39岁的Hassabis是一位前国际象棋大师、游戏设计员，他的人工智能研究创业公司DeepMind在2014年被谷歌以6.25亿美元收购。
他是移民后代，在伦敦芬奇利一所公立综合学院上学，分别取得了剑桥大学和伦敦大学学院（UCL）的计算机科学和认知神经科学学位。与他一起工作过的人们认为他是一个“有远见”的管理者。Hassabis认为他发现了一种“让科学研究更有效率”的方法，并提到他正在领导一个“21世纪的阿波罗项目”。他长相如此平凡，是那种你在街上不会看第二眼的人，但Tim Berners-Lee曾经向我这么形容他：他是这个星球上最聪明的人之一。
每次我们打开Siri或者收到Android的推送时，都会感到人工智能已经在我们身边。从短期来说，谷歌的产品将毫无疑问的从Hassabis的研究中获利，尽管这些技术所带来的个性化、搜索、YouTube、语音和人脸识别等产品的提升都没有被定义为真正“人工智能”（Hassabis对此笑称到：“它只是软件，对吧？它只是一个能运行的东西。”）。但从长期来说，Hassabis正在开发的技术并不仅仅局限于情感机器人和更加智能的手机，也不仅仅围绕着谷歌。Facebook、微软、苹果和许多其他科技巨头们都在如饥似渴的招揽人工智能博士生，在这场最新的科技竞赛中砸入数十亿美元。人工智能关注所有的事情，包括我们能想象到的，以及那些我们想象不到的。
它确实听起来太过野心勃勃。大部分人工智能系统应用范围都很“窄”，训练预设程序的机器去执行特定任务，除此之外再没什么了。因此，IBM的深蓝能在国际象棋比赛中击败Gary Kasparov，但却在井字游戏中输给三岁孩童。而Hassabis正在把他从人脑中得到的启发用于构建首个“通用学习机器”：一套能像生物系统一样学习的灵活、自适应的算法，仅使用原始数据就能从头开始掌握任何任务。
它就是通用人工智能（artificial general intelligence ，简称AGI），它的重点落于“通用”上。在Hassabis眼中，未来超级智能机器将与人类专家合作解决一切问题。“癌症、气候变迁、能源、基因组学、宏观经济学、金融系统、物理学等，太多我们想掌握的系统知识正变得极其复杂。”Hassabis指出：“如此巨大的信息量让最聪明的人穷其一生也无法完全掌握。那么，我们如何才能从如此庞大的数据量中筛选出正确的见解呢？而一种通用人工智能思维的方式则是自动将非结构化信息转换为可使用知识的过程。我们所研究的东西可能是针对任何问题的元解决方法（meta-solution）。”
虽然寻找“元解决方法”也许要花费数十年时间，但它看起来正在迫近。2015年2月，世界顶级科学期刊《自然》将像素游戏《Space Invaders》作为其封面，右下角是“自我教学软件在玩游戏上达到了人类般的表现”。在这一期，DeepMind的论文描述了首个成功的通用“端对端”学习系统，他们的人工代理——一个针对于图像处理单元的Deep-Q网络算法——能够学习如何处理屏幕的输入值并理解其含义，并采取能实现所需结果的决策（在这种情况下，系统成为众多雅达利2600经典游戏，如太空侵略者、拳击、打砖块中的超级玩家）。这是一项让整个科技界都为之震撼的突破。
接着，在上个月，DeepMind又占领了《自然》封面——在短期内获得如此成就非常惊人。这一次，它变本加厉的挑战上世纪70和80年代的复古游戏。围棋在中国有着超过2500年的历史，曾经出现在孔夫子笔下。围棋的分支系数非常大：每一颗棋子可能的走法数量超过了整个宇宙的原子数量，而且不像国际象棋，它无法用蛮力计算来得出结果。更加困难的是，想要写出围棋的评估函数是一件不可能的事，例如能够体现出谁处于优势位置以及优势多少的一套规则。反而，它取决于棋手的一些类似于“直觉”的东西：当被问到为何这样落子的时候，大师们通常的回答是“感觉如此”。
很显然，计算机在做出这方面的判断时会表现很糟，围棋也因此被认为是人工智能领域“悬而未决的重大挑战”之一，大部分研究者预期还需要十年机器才能有希望破解它。
DeepMind的新算法有着严格的同行评审证据，AlphaGo在去年秋季秘密的一场对决中以5:0击败了曾三次获得欧洲冠军的樊麾，并将在今年三月与世界冠军李世石对决。“令人瞠目结舌的进步”，帝国理工学院认知机器人学教授Murray Shanahan如此形容。“一个了不起的里程碑”，超人类主义哲学家Nick Bostrom也表示同意，后者写出的《 Superintelligence: Paths, Dangers, Strategies 》指出：如果通用人工智能可以出现，这将是一个无法比肩的事件——借用下谷歌工程主管Ray Kurzweil的话：这将是一次撕裂历史的断层。Bostrom告诉我在他牛津人类未来研究所的办公室中，AlphaGo的成就被认为“将过去几年间机器学习所取得的进步生动的表现了出来”。
