DeepMind創始人哈撒比斯

　　導語：3月9日，谷歌人工智能AlphaGo戰勝韓國棋手李世石引起巨大轟動，外媒“TheVerge”在比賽結束后對AlphaGo背后的DeepMind公司聯合創始人德米斯.哈薩比斯進行了長篇訪談，哈薩比斯談到了他對人工智能未來的看法。

　　以下是文章全文：

　　DeepMind的AlphaGo戰勝韓國傳奇棋手李世石，點燃了空前的對人工智能問題的熱情。但是，這家谷歌子公司的AlphaGo計劃卻遠遠超出了它自身-甚至可以說它本身都不是重點。作為DeepMind的聯合創始人，德米斯.哈薩比斯在本周早些時候表示，DeepMind要做出“智慧解決方案”，對此他有一些想法。

　　哈薩比斯自己走了個不尋常的路去達到人生目標，現在回想起來這卻是一個完美的道路。哈薩比斯是一個在智力奧林匹克競賽中5次獲得冠軍的國際象棋神童。他聲名鵲起則是年輕時在英國Bullfrog和Lionhead游戲開發公司工作，在那里他致力于開發一款類似于“主題公園”、“黑與白”的人工智能游戲，后來他成立了自己的工作室。哈薩比斯在00年代中期離開了游戲行業去讀完神經科學的博士學位，2010年他與別人聯合創立了DeepMind公司。

　　在AlphaGo首次戰勝李世石后的清晨，哈薩比斯坐下來接受TheVerge的訪談。他在進屋時評論著首爾四季酒店的燈光布景，給人的感覺十分溫馨友好。當一個谷歌代表告訴他，昨夜有3300篇韓國媒體文章報道了他，他明顯看起來非常吃驚。“這令人難以置信，對吧？”他說，“看到一個深奧難懂的事物開始流行起來，這很有趣。”

　　除了AlphaGo，我們的談話觸及視頻游戲、下一代智能手機助手、DeepMind在谷歌公司中的角色、機器人（300024）、AI如何幫助科研等等。

　　注：本次采訪內容已被輕度編輯，以便于閱讀。

　　TheVerge記者薩姆.貝福德：對于那些不了解人工智能或圍棋的人，你會如何描述昨天所發生的文化共鳴？

　　德米斯.哈薩比斯：對于這些我要說幾點。圍棋一直是完全信息博弈的巔峰。它在可能性方面比國際象棋更復雜，所以它一直是人工智能研究領域努力尋求突破的重大挑戰，尤其是在“深藍”之后。你知道，即使付出了很多的努力，我們還是沒有走出太遠。蒙特卡洛樹搜索是十年前一個很大的創新，但我認為我們成功地用AlphaGo給神經網絡引入了“直覺”——如果你想這么叫的話，而正是這些直覺讓某些人成為頂尖棋手。我很驚訝，即使是現場解說邁克爾.雷德蒙德也很難算出結局，他可是一個職業9段棋手啊！而這表明了你是有多么難寫出圍棋的“評價函數”。

　　當你看到AlphaGo的特殊舉動，你會感到驚訝嗎？

　　是啊。我們相當震驚，我認為李世石也是，從他的面部表情就能看出來。AlphaGo的那步棋深深地打入了李世石的領地。我認為這是一個相當意外的舉動。

　　是因為侵略性嗎？

　　嗯，是因為侵略和大膽！此外，它在比賽中戲耍了李世石。李世石以好戰而聞名，這就是他所傳達出的，我們期待的那種東西。本場比賽一開始，他就在整個棋盤上求戰，但是沒有一處是真的。傳統的圍棋程序在處理這種情況時非常無力。他們在局域計算中并不差，但是在需要通盤視野的時候會很無力。

　　舉行這次比賽的一大原因就是評估AlphaGo的能力，無論輸贏。你從昨晚學到什么？

　　好吧，我想我們了解到：我們已經沿著這條線走出了很遠——沒有超出我們的預期，但達到了我們的期望。我們要告訴大眾，我們認為比賽是五五開。我認為這仍然可能是正確的，這兒任何事都有可能發生，我知道李世石今天回來后會采取不同的策略。所以，我認為尋找出對手策略將是非常有趣的。

　　剛才談到了AI的意義，回答了你的第一個問題。另一個我要告訴你的事情是，我們和深藍是不同的。深藍是一個“手工”程序——程序員從國際象棋的規則中提煉出信息和獲得啟發。而我們的AlphaGo擁有學習能力，它通過實踐和學習獲得知識，這更像人。

　　如果在系列賽中AlphaGo繼續以這種方式取勝，接下來會發生什么？未來會有一個人工智能的游戲對決嗎？

　　哈：我認為作為圍棋是完全信息博弈的巔峰。當然，我們還有其他頂尖棋手要比賽。此外，其他的游戲——像無限押注的德州撲克就非常困難。多人比賽會有其他的挑戰，因為它是一個不完全信息博弈。再有明顯的就是，人類在玩《星際爭霸》這類游戲時比電腦更好。戰略游戲需要在一個不完全信息的世界里擁有高層次的戰略能力。而圍棋的事情是很明顯的，你可以在棋盤上看到一切，因此，這對于電腦來說更容易一些。

　　打敗《星際爭霸》這些游戲你個人會感興趣嗎？

　　也許吧。我們只對研究項目主線范圍內的事情感興趣。所以DeepMind的目的不只是打游戲，盡管那非常有趣而且令人興奮。你知道，我喜歡玩游戲，我以前編寫過電腦游戲。但是那僅限于作為測試平臺，用于嘗試寫出我們的算法思想和測試出它能到多高等級、能玩得多好，這是一個非常有效的方式。最終，我們希望能應用到現實世界中的重大問題。