Demis Hassabis：AI 的强大，超乎我们的想象

Lex Fridman：你是从什么时候开始喜欢上编程的？ Demis Hassabis： 我大约4岁开始下棋，8岁时用在一场国际象棋比赛中获得的奖金买了我的第一台电脑，一台zx spectrum，后面我买了关于编程的书。我在一开始用电脑制作游戏时就爱上了计算机，觉得它们非常神奇，是自己思想的延伸，你可以让它们做一些任务，隔天睡醒回来时它就已经解决了。 当然，所有机器在某种程度上都能做到这一点，增强我们的自然能力，例如汽车让我们的移动速度超过奔跑速度。但人工智能是机器能够做所有学习的最终表现，因此，我的想法也很自然地延伸到了人工智能。 Lex Fridman：你是什么时候爱上人工智能的呢？什么时候开始了解到，它不只可以在睡觉的时候写程序 、 做数学运算， 还可以执行 比数学运算更复杂的 任务 ？ Demis Hassabis： 大概可以分为几个阶段。 我是青少年国际象棋队的队长，在大概10岁、11岁的时候打算成为一名职业棋手，这是我的第一个梦想。12岁时我达到大师级的水平，是世界上排名第二的棋手，仅次于Judith Pologer。当我试图提高棋艺，首先需要提高自己的思维过程，思考大脑是如何想出这些想法的？它为什么会犯错？怎样才能改善这个思维过程？ 就像80年代早期和中期的国际象棋计算机，我已经习惯了有一个 Kasparov 的品牌版本，虽然不像今天那么强大，但也可以通过与其练习来达到提高的目的。当时我想，这真是太神奇了，有人把这个棋盘编成程序来下象棋。我买了一本 David Levy 在1984年出版的《国际象棋计算机手册》，这是本非常有意义的书，让我可以充分了解国际象棋程序是如何制作的。 图注：Kasparov，前苏联、俄罗斯职业国际象棋棋手，国际象棋特级大师 我的第一个人工智能程序是由我的Amiga编程的，我写了一个程序来玩奥赛罗逆向思维，这是一个比国际象棋稍微简单的游戏，但我在当中使用了国际象棋程序的所有原则，即α-β搜索等。 第二个阶段是在我16、17岁左右时设计的一个叫 "主题公园 "的游戏，其中涉及到 AI 在游戏中模拟，尽管以今天的 AI 标准来看它很简单，但它会对你作为玩家的游戏方式做出反应，因此它也被称为沙盒游戏。 Lex Fridman：可否说一些 你 同 AI 的关键联系？在游戏中创建 AI 系统需要什么？ Demis Hassabis： 在我还是个孩子时就在游戏中训练自己，后面经历了一个设计游戏和编写 AI for 游戏的阶段。我90年代写的所有游戏，都以人工智能为核心组成部分。之所以在游戏行业这么做，是因为当时我认为游戏行业是技术的最前沿，像 John Carmack 和 Quake，好像都是在游戏中进行的。我们仍在从当中获取好处，像GPU，是为计算机图形而发明的，但后来被发现对 AI 有重要作用。所以当时我认为，游戏中拥有最前沿的人工智能。 早期我参与过一个叫"黑白"的游戏，它是强化学习在计算机游戏中应用最深刻的例子。你可以在游戏中训练一个小宠物，它会从你对待它的方式中进行学习，如果你对它不好，那它就会变得刻薄，并对你的村民和你所管理的小部落刻薄。但如果你善待它，它也会变得善良。 Lex Fridman： 游戏 对善与恶的映射让我意识到，你可以通过你所做的选择来确定结局。游戏可以带来这种哲学意义。 Demis Hassabis： 我认为游戏是一种独特的媒介，作为玩家并不仅仅是被动地消费娱乐，实际上，你是作为一个代表积极参与的。 所以我认为这就是游戏在某些方面比其他媒介，例如电影和书籍等更有内涵的原因。 从一开始我们就对 AI 进行了深入的思考，将游戏作为证明和开放 AI 算法的试验场。这也是 Deepmind 最初使用大量游戏作为主要测试平台的原因，因为游戏非常高效，也很容易有指标来查看 AI 系统是如何改进的，思考的方向，以及是否在做渐进式地改进。 Lex Fridman： 假设我们不能制造一台 能在国际象棋中击败人类的机器， 那么 人们会 认为 ，由于组合的复杂性，围棋是一个无法破解的游戏。 但最终，AI 研究者 造出了这台机器 ， 人类才 意识到 ， 我们没有想象中那么聪明。 Demis Hassabis： 这是一段有趣的思考旅程，尤其是当我从两个角度（AI 创造者与游戏玩家）来理解时，更觉得神奇，同时又有点苦乐参半的感觉。 Kasparov 将国际象棋称为智能“果蝇”，我蛮喜欢这个形容，因为国际象棋从一开始就与 AI 密切相关。我认为每一位 AI 实践者，包括图灵和香农，以及这一领域的所有先辈们，都尝试过编写一个国际象棋程序。香农在1949年写了第一个关于国际象棋的程序文档，图灵也曾写过一个著名的国际象棋程序，但由于计算机太慢无法运行，因此他用铅笔和纸来手动运行程序，跟朋友一起玩。 DeepBlue 的出现是一个重要的时刻，它结合了我喜欢的所有东西，包括国际象棋、计算机和人工智能。1996年，它打败了 Garry Kasparov。在那之后，我对 Kasparov 头脑的印象比对 DeepBlue 印象更深，因为 Kasparov 是人类的头脑，他不仅可以与计算机在下棋方面达到同一水平，Kasparov 也可以做人类能做的一切，比如骑自行车、说多国语言、参与政治活动等等。 DeepBlue 虽然在国际象棋中有过辉煌时刻，但它实际上是将国际象棋大师的知识提炼成一个程序，无法做其他任何事情。因此我认为该系统中缺少了一些智能的东西，这也是我们尝试做 AlphaGo 的原因。 Lex Fridman：让我们简单地谈谈国际象棋中 关于 人类的一面。你从游戏设计的角度提出，象棋之所以吸引人是因为它是游戏。能否解释一下，在bishop（国际象棋中的“象”）和knight（国际象棋中的“马”）之间是否存在一种创造性的张力 ？ 是什么让游戏具有吸引力，并且能跨越几个世纪？ Demis Hassabis： 我也在思考这个问题。实际上很多优秀的象棋玩家并不一定是从游戏设计师的角度去思考这个问题。 为什么国际象棋如此吸引人？我认为一个关键的原因是不同棋位的动态，你可以分辨出它们是封闭的还是开放的，想一下象和马的移动方式有多么不同，而后国际象棋在已经进化到平衡这二者的程度，大致都是3分。 Lex Fridman：所以你认为动态总是存在的，而剩下的规则是试图稳定游戏。 Demis Hassabis： 也许这有点像鸡生蛋还是蛋生鸡的情况，但二者达到一种美丽的平衡，象和马和骑士权力不同，但在整个宇宙的位置中其价值是相等的。过去的几百年里，它们一直被人类所平衡，我认为这赋予了游戏创造性的张力。 Lex Fridman：你认为 AI 系统能吸引人类去设计游戏吗? Demis Hassabis： 这是个有趣的问题。如果把创造力定义为想出一些原创的、对某个目的有用的东西，那么最低水平的创造力就像一个插值表达，基础的 AI 系统都具备这样的能力。给它看数百万张猫的照片，然后给我一只普通的猫，这个被称之为插值。 还有像 AlphaGo，它可以推断。AlphaGo 与自己对弈了数百万场后想出了一些非常棒的新点子，比如在对弈中走37步，提供了一个人类从未想到的策略，尽管我们已经玩了上百数千年。 在此之上还有一个层次，就是能否跳出思维定式做真正的创新。你能发明象棋，而不是想出一个棋步么？是否能发明国际象棋、或其他和国际象棋或围棋一样的东西？ 我认为有一天 AI 可以做到，而现在的问题是如何给一个程序指定这个任务。我们还不能把高层次抽象概念具体到人工智能系统中，它们在真正理解高层次的概念或抽象概念方面仍然缺少一些东西。就目前而言，它们可以组合和构成，AI 能够做插值和推断，但都不是真正的发明。 Lex Fridman：提出规则集并优化，围绕这些规则集制定复杂的目标，是我们目前无法做到 的 。但是否可以采用一个特定的规则集并运行，观察 AI 系统从头开始学习的时间有多长？ Demis Hassabis： 实际上我考虑过，这对于游戏设计师来说是惊人的。如果有一个系统拿你的游戏玩上千万次，也许一夜之间就能实现自动平衡规则。可以通过方程或参数来调整游戏中的单位或规则，使游戏更平衡。这有点像给出一个基本集，通过蒙特卡罗方法搜索或类似的方法来探索，那将是超级强大的工具。 而为了自动平衡，通常需要从数百场比赛中训练数千小时，平衡像星际争霸、暴雪等这样的游戏是令人震惊的，这需要测试人员年复一年的时间。所以可以想象，当某个时刻这些东西变得足够有效，你可能会想在一夜之间做到。 Lex Fridman：你认为我们 是 生活在模拟 （Simulation） 中吗？ Demis Hassabis： 是的。Nick Bostrom 首次提出了著名的模拟理论，但我不太相信它。从某种意义上说，我们是在某种电脑游戏中，或者我们的后代以某种方式在 21 世纪重塑地球。 理解物理学和宇宙的最佳方式是从计算的角度将其理解为信息宇宙，实际上，信息是现实的最基本单位。 与物质或能量相比，物理学家会说 E=mc²，这是宇宙的基础。但我认为，信息可能是描述宇宙的最基本方式，它本身可以指定能量或物质正确的物质。因此可以说我们处于某种模拟中。但我不同意这些想法丢弃数十亿个模拟。 Lex Fridman： 基于你 对通用术语机器的理解、对计算机的理解，你认为宇宙中存在计算机能力之外的东西吗？你并不认同 Roger Penrose （数学物理学家）的意见？ Demis Hassabis： Roger Penrose 很有名，曾参与过许多精彩的辩论，我读过他的经典著作《皇帝新脑》，他解释大脑中的意识还需要更多量子的东西。我工作中也一直在思考我们正在做什么，实际上，我们正将图灵机或经典计算推向极限。经典计算的极限是什么？我也研究了神经科学，这是我博士选择这一方向的原因， 从神经科学或生物学的角度来看大脑中是否有量子存在。 到目前为止，大多数神经科学家和生物学家会说，没有证据表明大脑中有任何量子系统或效应，大多可以用经典理论和生物学方面的知识来解释。但与此同时，从图灵机可以做的事情开始，包括 AI 系统，这个过程是一直在进行的，尤其是在过去的十年里。 我不敢打赌通用图灵机和经典计算范式能走多远，但大脑中发生的事情或许可以在机器上模仿，而不需要形而上学或量子的东西。