Demis Hassabis這個名字在人工智慧界絕對稱得上是如雷貫耳。
身為希臘裔賽普勒斯人和新加坡華裔混血的他，在年少時就展現出了極高的過人天賦，年僅十三歲便成為了世界國際象棋大師。不過他的職業生涯並非以人工智慧為起點展開的，畢業於劍橋大學的他最早憑著自己做出的兩部電子遊戲而為人熟知。
他在AI界傳奇之路的開始還要回溯到2010年的9月，那時他在倫敦和另外兩位同事創立了一家人工智慧新創公司。 Demis把自己對於遊戲的熱愛也傾注到了這家剛剛誕生的公司裡，其從創立之初到現在的宗旨始終如一——透過人工神經網路讓電腦以人類的方式學習如何玩電子遊戲。
在拿到Elon Musk等人的投資後，Google一眼發現了這家目標看似莫名其妙的公司的巨大價值，豪擲4億英鎊（當時約合6.5億美元）將他們編入旗下。
這家新創公司，叫做DeepMind。
在AlphaGo橫掃李世石和柯潔之後，其在圍棋界已經達到了獨孤求敗的境界。 DeepＭind正在逐步將目光轉移到打造應用場景更為廣泛的人工智慧產品上，比如說讓電腦學會關係推理。
近來，Demis Hassabis出山發表了自己對於人工智慧未來看法的見解。
他堅信，若想讓人工智慧完全發揮自己最大的潛力，唯一的途徑是回到神經科學領域，重新深入鑽研人類大腦和智慧的奧妙，從中汲取靈感。
當下，絕大部分的AI系統的核心都只是一層層搭建起的數學模型，其從人類大腦工作模式中得到的啟發相當有限。
我們要明白的是，機器學習並非一把通往所有人工智慧奧秘的萬能鑰匙，其中的細分領域千差萬別。就拿我們最熟悉的語音識別和圖像識別舉例，雖然主觀感覺上它們的工作原理應該十分相似，但其實它們需要不同的數學結構模型；而且最後的成果算法只能用來解決極其具體的個例，應用範圍相當有限。
打造出能打包處理生活中各種大事小事的人工智慧，一直都是機器學習屆長久以來的夙願。但殘酷的真相是，將目前各種偏科生算法（比如有的只擅長語音識別，有的只應付得來圖像識別）拓展成多才多藝的「好學生」的難度，遠遠超乎我們的想像。這很大程度上是因為，人類思想中最為精髓的知覺、想像力和記憶等特質在人工智慧的世界還屬於襁褓期，甚至壓根不存在。
在一篇於本週四在神經科學界最為權威的期刊《神經》(Neuron)上發表的論文中，Hassabis和另外三位共同作者指出，若想突破人工智慧應用的天花板，我們必須要對人類自己的智慧有著更為深入的了解。
他們詳細地闡述了為何要提倡採取這種方法。
首先，他們認為，如果我們能對自身大腦的工作機理有著更好的理解，這無疑能極大地拓展我們為人工智慧開發出的數學模型和算法的種類和深度。其次，在構建最先進的AI系統並對其進行海量測試時，我們自身也會反思什麼才是真正的「智慧」，有機會對這個玄奧的問題產生新的理解。
論文花了大量篇幅來回顧神經科學和人工智慧漫長的發展歷程，力圖對這兩者間的關係產生新的認知。他們指出，利用多層人工神經元來理解輸入數據的深度學習和在大量嘗試與失敗的積累中成長起來的強化學習，都與神經科學有著千絲萬縷的聯繫。
這篇論文也犀利地指出，人工智慧領域近期取得的成果依然沒有有效發揮神經科學本身的優勢，更加智慧的AI離不開進一步的人格特徵——比如說對現實世界的直覺認知以及更加有效的學習方式。
Hassabis和他的同事認為，若想解決此問題，還應加強人工智慧和神經科學二者間的聯繫，使它們齊頭並進。 「我想我們一定程度上，在密切關注日新月異的演算法同時，也應回頭看一看神經科學和大腦本身。我們甚至可以利用現有的人工智慧系統來研究大腦的工作機理。」
持有相似觀點的可不只有Demi Hassabis這位AI界真正的大佬一人。紐約大學（New York University）心理學教授及前Uber AI實驗室主任Gary Marcus提出我們可以將在研究孩童認知發展時探索到的知識，應用到機器學習系統的提升之中。
大道理都講完了，但若是想把這些先進的理念轉化到實際的人工智慧應用中去可絕非一件輕鬆的差事。在國外科技媒體《The Verge》對Demis Hassabis的專訪中，他說道：
「人工智慧和神經科學儘管同源，曾有著緊密的聯繫，但現在它們都已經成為了體量極其龐大的專業學術領域。舉例來說，神經科學方面的專業論文正在以每年5萬篇的速度高速成長。」
不要說在兩個領域均成為泰斗級人物，若是能在其中一個領域成為專家都已經是相當了不起的成就了。
Demis Hassabis和DeepMind希望能尋找在兩方面都有著深厚功力的人才，構建起人工智慧和神經科學間的橋樑，以簡潔的方式向世人揭示它們之間的緊密關係。
本文授權轉載自：36 氪