《TO 導讀》：Alphago 在今天結束與韓國棋士李世石的五場對弈，以 4：1 獲勝，獲得圍棋 9 段頭銜。事實上，圍棋只不過是一個開始，AlphaGo 的開發公司 DeepMind 在遊戲、醫療、機器人以及手機方面都有所規劃。The Verge 非常迅速地採訪 DeepMind 的創始人 Demis Hassabis。本訪談時間在於 AlphaGo 贏得第一盤棋的翌日，Demis Hassabis 也透露 DeepMind 的下一步：繼續深耕智慧助理與醫療領域。
DeepMind 大敗圍棋界傳奇李世石，引發對人工智慧潛力的關注，熱度也遠超近期的任何事件。但是 Google 下屬的 AlphaGo 專案並不是它唯一的計畫，甚至不是最主要的計畫。就像 Deep Mind 聯合創辦人 Demis Hassabis 日前所提到的，DeepMind 想要「破解智慧」。關於如何達成這個目標，他有許多想法。
Hassabis 自己走的並不是一般人生路，但回顧起來似乎是最有意義的路。他小時候就是象棋天才，在腦力奧林匹克運動會上 5 次獲得 Pentamind 冠軍，隨後再青少年時期，就與英國電腦遊戲開發工作室 Bullfrog 和 Lionhead 一起闖出名號，致力於開發偏重 AI 的遊戲（如《Theme Park》和《Black& White》），之後他建立自己的工作室 Elixir。2000 年代中期，Hassabis 離開了遊戲行業，攻讀神經科學 Phd，並在之後的 2010 年聯合創立了 DeepMind。
AlphaGo 旗開得勝的第二天早上，Hassabis 坐在了 The Verge 記者的面前。此刻，即使他的心思一點也沒有留給媒體，也不會讓人覺得奇怪。然而，他進入採訪室時，言辭溫和又讓人愉快。他稱讚首爾四季酒店的裝潢，隨後一位 Google 發言人告訴他：一夜之間，韓國媒體界出現超過 3300 篇關於他的報導。他看上去非常驚訝，「這簡直難以置信，是吧？」他說，「看著某種有點深奧的東西變得這麼流行真是相當有趣。」
除了 AlphaGo，我們的訪談也聊到了影音遊戲、次世代智慧型手機助理、DeepMind 在 Google 的角色、機器人、AI 如何推動科學發展、以及其他的話題。
- 圍棋是人工智慧的聖杯
The Verge：對於不太懂 AI 或是圍棋的人，你會如何談論昨天發生的事引起的文化共鳴？
Hassabis：我會有幾件事想說。圍棋一直以來都是完全資訊博弈遊戲（perfectinformation games）的巔峰。從可能性的角度來說，它比西洋棋複雜得多，所以在 AI 研究領域中它差不多算是聖杯、或是重大挑戰，特別是在 DeepBlue 破解西洋棋後。
你知道，雖然已經投入了很多努力，但我們還沒有走到那麼遠的地方。蒙特卡羅演算法在 10 年前是一個很大的創新，但我們為 AlphaGo 引進神經網路這種直覺層面的東西，而直覺的確就是頂級圍棋棋手間的差距。直播講解時，職業九段的 Michael Redmond 甚至一度難以點清目數，我對這一點感到相當驚訝！這顯示出，為圍棋寫一個評估函數（valuation function）是多麼困難的一件事。
The Verge：你有沒有被 AlphaGo 的哪一步棋震驚到？
Hassabis：當然，我們都驚呆了，我想李世石也是—從他的表情上來看—當 AlphaGo 在左側落子深入李世石的領地時。我覺得這是相當出人意料的一步棋。
The Verge：因為非常咄咄逼人？
Hassabis：既咄咄逼人又十分大膽！它用李世石的方式與他對弈。李世石以充滿創造力的戰鬥方式而聞名，我們也預計到會有這樣的情況發生。棋局一開始他就在整個棋盤上四處落子，沒有真正停在哪一點經營局面。傳統的圍棋軟體對於這種打法都不擅長，它們在局部計算上不算糟糕，但是當需要全域觀的時候就不行了。
The Verge：舉辦這些比賽，首先最重要的目的是評估 AlphaGo 能力，你從昨天的比賽中看出了什麼？
Hassabis：我想，我們知道了我們沿著這個方向走到了超過——好吧，沒有超過我們的預期，不過就像我們希望得那樣遠。我們原來告訴大家，我們覺得比賽的勝率五五開。我仍然覺得這可能是正確的說法，什麼事都有可能發生，我也知道李世石再次面對 AlphaGo 的時候可能會採用不同的策略。所以我覺得結果會是非常有趣的。
剛才提到 AI 的重要性，回答第一個問題。另一件我要說的是 AlphaGo 和 DeepBlue 之間的區別。DeepBlue 是一個人工程式，工程師們從西洋棋大師獲得資訊、找出特定規則，而我們為 AlphaGO 注入的是學習能力，讓它透過練習和研究學會圍棋，這種做法更像人類。
- 從遊戲業到 DeepMind
The Verge：如果 AlphaGo 繼續一路攻城掠地，下一步會是什麼？未來會不會有另一場 AI 參與遊戲的賽事？
Hassabis：我覺得對於完全資訊博弈遊戲來說，圍棋已經是巔峰。當然，AlphaGo 還是可以和其他頂尖圍棋棋手對弈，但是應該不會有下一個遊戲；無限制的撲克牌非常困難，多人遊戲則有獨特的挑戰，因為它是一個不完全資訊博弈遊戲。此外，許多遊戲人類都玩得比電腦更好，像是《星海爭霸》。策略遊戲需要一種不完全資訊世界中的高水準策略能力，這被稱為「部分可觀測」。對圍棋來說，你能看到一切都在棋盤上，所以這讓圍棋對於電腦來說顯得稍微簡單一點。
The Verge：戰勝《星海爭霸》對你個人來說是一件讓你感興趣的事情嗎？
Hassabis：可能是吧。我們只對處在研究專案的主要軌跡上的東西感興趣。你知道，我個人很喜歡遊戲，我曾經寫過遊戲，但是這是因為它們作為測試平臺來說非常有用，在這個平臺上可以實現我們對演算法的想法、測試它們能做到什麼地步；這是一種非常有效的方法。最終我們想要把這個東西用在重要的真實世界問題上。
The Verge：1990 年代後期，我在英國長大，從電腦雜誌上看到你的名字與一些非常雄心勃勃的遊戲聯繫在一起。後來當我第一次聽說 DeepMind、看到你的名字在裡面的時候，我心想，「簡直太配了」。你可以說說你是怎麼從之前的遊戲行業轉到你現在做的事情上的嗎？
Hassabis：當然。像 DeepMind 一直以來都是我的終極目標。我為此策劃了超過 20 年，從某些方面來說。如果你回顧一下我做的一切，從最終我開始致力於 AI 研究來看，我的選擇就變得非常清晰。如果你很熟悉我在 Bullfrog 工作室的事情還有後來一些別的事，你就會知道，對於我所寫的一切程式、我所參與的一切活動來說，AI 是核心部分。
顯然 Peter Molyneux（Bullfrog 工作室的創始人之一）的遊戲都是 AI 遊戲。當我 16 還是 17 歲的時候，我在編寫《Theme Park》，那對我來說是一段非常重要的時間，讓我意識到，如果我們真的試圖拓展 AI 的能力、它能強大到怎樣的地步。我們賣出數百萬份《Theme Park》的遊戲，有那麼多人都沉浸於玩這個遊戲，這是因為遊戲 AI 能夠適應你玩遊戲的方式並做出改變。
我們在此基礎上繼續前進，並試圖在接下來的遊戲生涯中持續向這個方向開拓。後來我離開遊戲業回到學術圈和神經科學界，因為我發現我們在 AI 研究方面已達到極限。AI 研究難以繼續深入，因為發行商們只想要遊戲，是吧？
The Verge：所以那時只是因為 AI 最顯而易見的應用就是遊戲嗎？
Hassabis：當然，我是這麼覺得的，我也確實認為我們當時做的 AI 極為前沿，讓人幾乎難以相信。1990 年代學術圈還沒有什麼動靜，而這些新技術：神經網路、深度學習、機器學習，也還沒有真正得到推廣。所以那時候最好的 AI 就在遊戲業。那不是我們現在致力於研究的這種 AI，它更像是有限狀態機（finite-statemachines），但是相當複雜、也能自我適應。
《Black & White》有強化學習。但是，隨後在 2004 年、2005 年左右的時候，很明顯遊戲行業走的路線與 90 年代不同了；90 年代時它非常有趣也非常有創造力，你可以有任何主意再實現它，但後來變得更多的是在依賴於畫質、續作、還有 FIFA 足球遊戲等等，就沒有那麼有趣了。我在遊戲方面達成我能做的一切，也是時候為了 DeepMind 去蒐集不同的資訊了。那就是神經科學。我想要從大腦如何解決問題中獲得靈感，那麼還有比攻讀一個神經科學博士學位更好的方法嗎？
The Verge：這可能看上去是唾手可得的成果，不過如果你們現在將 AI 的進展應用到遊戲上，會怎麼樣？
Hassabis：我覺得應該會真的很驚人。最近 EA 有人聯繫過我…我們應該會做的。有那麼多事情可以做！使用這些技術是非常通用的，我很想要做這件事。但是有頻寬的限制在，並且我們現在精力集中在醫療和推薦系統之類的方面上。不過可能到某個時間，我們就會做這件事：製作一些智慧的、有適應能力的 AI 對手，遊戲開發者們也會喜歡—至少不必再為每個遊戲都開發新的 AI—屆時可能他們只需要透過遊戲教學訓練出 AI 就好了。
The Verge：我剛才想像了一下你在家打電動，在 NPC 面前比我還要疲於奔命的樣子。
Hassabis：當然是的（笑），大型多人遊戲或類似遊戲總是讓我很受挫。我從來沒有真的為這些遊戲著迷，因為 NPC 都太蠢了。他們沒有記憶，不會改變，不理解上下文。如果有可以自我學習的 AI，遊戲就完全上升到另一個層次了。
- DeepMind 的下一步：醫療
The Verge：這周你帶來的消息裡，AI 未來主要的用途是醫療、智慧手機助手以及機器人。讓我們來詳細聊聊。醫療方面，舉例來說，IBM 的 Watson 在癌症診斷方面有所建樹，那 DeepMind 可以帶來什麼？
Hassabis：現在還只是雛形。我們幾周前宣佈了一項與英國國家醫療服務體系（NHS）的合作，不過才剛開始著手建立利用機器學習的平臺。我覺得 Watson 與我們不同，從我的理解而言，Watson 更像是一個專家系統，它是另一種形式的 AI。我覺得你能看到這類 AI 做的事情會是醫療圖像的診斷，然後可能有對於自我量化（quantified-self），或是重要跡象的長期追蹤，有助於人們達成更健康的生活狀態。
The Verge：在與 NHS 的合作中，你們推出一款看上去沒有怎麼用到 AI 或是機器學習的 app。為什麼 NHS 要用這個 app，而不是其他廠商推出的軟體？
Hassabis：NHS 的軟體在我的理解中是相當糟糕的一個東西，所以我覺得第一步就是試著讓它進入 21 世紀。它們並不是行動端的，完全不是今天的消費者理所當然認為能看到的那種樣子。對於醫生和護士來說，它用起來也讓人覺得很挫敗，還降低他們的效率。所以我覺得第一步是，幫助他們用上更有用的工具，像是視覺化和基礎統計資訊。我們會實現這樣的功能，然後看清我們到底需要什麼，之後再將更純熟的機器學習技術運用其中。
The Verge：這一切有多簡單？醫療資金在英國顯然會是一個充滿爭議的話題。
Hassabis：當然，呃，好吧，我們正在免費做這件事（笑）這就讓它變得很簡單！這與大部分軟體公司都不同。大部分是由大型跨國公司製作這種軟體，他們不會真正把注意力放到用戶身上，而我們在設計它的時候，更像是以新創企業的方式，從使用者那裡傾聽回饋、從某種角度上與他們一起設計軟體。
- 未來的核心：智慧型手機助理
The Verge：那麼讓我們談談智慧型手機助理。你在第一天的演講投影片裡有一張圖來自電影《Her》，這會是最終形態嗎？
Hassabis：不，我的意思是，關於智慧手機助手是什麼樣，《Her》只是一種主流觀點。我們會想要讓這些行動助理之類的東西真正變得智慧、理解上下文、對於你要做什麼有更深的理解。但現在大部分的系統都極為脆弱，一旦你偏離預先程式設計輸入的範本，它們就毫無用處。所以這意味著讓它們變得真正可以適應、變得靈活、也更穩健。
The Verge：為了改善這些，需要有什麼突破？
Hassabis：我們可以的，只不過需要一個不同的方法。再說一次，這是預程式設計和學習的二分法。目前所有的智慧手機助理都屬於特殊案例和程式設計，這意味著它們很脆弱，因為只能做程式寫好的事。但真實世界非常混亂，使用者也會在你無法預知的情況下，做出不可預知的事情。DeepMind 的信念，這也是最根本的原則：通往人工智慧的唯一道路，是從基礎開始打起，而且變得通用。
The Verge：AlphaGo 從學習各種遊戲模式過程中順利起飛，這對於智慧型手機怎麼使用呢？它的輸入是如此的多變？
Hassabis：是啊，所以得有上萬噸的資料，而你可以從中學習到很多東西。事實上，我們未來將嘗試將 AlphaGo 的演算法，擺脫監督式學習的出發點，讓它完全自我發揮。它會需要更長的時間，因為當你採用隨機方法的時候，其中的審查和錯誤會需要更多的時間訓練，也許是幾個月。但是，我們認為有這個可能性，讓它從純粹的學習中起步。
The Verge：是因為演算法現在能達到的程度，所以你認為這是可能的嗎？
Hassabis：不是的，我們本來可以這樣做的。它不會使得程式更強大，它只是做著純粹的學習。所以會有一些非監督的部分。我們認為這個演算法能夠在非監督的狀態下工作。我們去年做了 Atari 遊戲，在圖元的層面玩遊戲，而不會受人類知識的禁錮，它會在螢幕中做一些隨機的動作，開始遊戲。
The Verge：對於 Atari 遊戲來說更加容易，是因為失敗的狀態更加明顯麼？
Hassabis：的確更加容易，因為分數更有規律。在圍棋中，不管最終贏得還是輸掉比賽，你也只得到一個分數。這就是所謂的信用分配問題（Credit Assignment Problem）：這個問題是，你在圍棋中走了幾百步，但不知道具體哪一步會為最終的勝利或失敗負責，其中的信號非常微弱。而在大多數的 Atari 遊戲中，所做的大多數事情都會給予分數，所以就得到了更多的獎勵去仿效。
The Verge：你可以給個時間表麼？大概什麼時候，會為手機市場帶來顯著性差異？
Hassabis：我認為在未來的兩到三年會開始看到它。我的意思是，它在開始的時候是非常微小的，只有很小的部分會工作的更好。也許在未來的 4 到 5 年，甚至 5 年更多，你可以看到在功能上大的變化。
- 為何 Google 的支持非常重要
The Verge：你確定了未來各種各樣的可能性，而這件事是和 Google 聯繫在一起最明顯的事情。你有沒有得到任何指示，這些事情將來如何納入到 Google 的產品或商業模式中？
Hassabis：不，在如何優化研究進展方面，我們有很強的主導權。這是我們的使命，也是為什麼我們加入了 Google，這樣我們可以給研究進行幫助。這是發生在過去幾年的事情。當然，我們實際上也致力於很多 Google 內部的產品，但是他們是非常早期的階段，所以還沒準備好公佈。當然我認為智慧手機助手是非常核心的，我認為 Sundar Pichai 已經對此談了很多，這是 Google 未來的核心。
The Verge：Google 有另外的行動，像是 Google Brain，它推出機器學習的特徵。或是 Google 圖片搜索和其他面向使用者的東西。你的公司和 Google Brain 有互動嗎？你們有沒有重疊的部分？
Hassabis：當然，其實我們是非常互補的。我們每週都有交談。Google Brain 主要致力於深度學習，他們也有非常卓越的工程師 Jeff Dean，所以他們已經鋪開到公司的各個角落，這也是為什麼我們發明出 Google Photos。他們正在做著現象級的工作。另外，他們的團隊在山景城，所以他們離產品團隊更近，他們的研究週期也更像 12 到 18 個月。而我們有更多演算法開發的工作，我們傾向於為需要兩三年研究的事情做研究，而且不需要在開始的時候就有直接的產品焦點。
The Verge：Google 對 AlphaGo 的支持有多重要？如果沒有他們，你們是否能做到？
Hassabis：這是非常重要的。AlphaGo 在比賽中實際上並沒有使用那麼多硬體，但我們需要大量的硬體來訓練它，做各種不同的版本，並讓他們在雲端互相比賽。這需要相當多的硬體才能高效完成，所以如果沒有這些資源，在這段時間內根本無法完成。
- 不看機器人，關注科學的進展
The Verge：讓我們來說說機器人。我平時在日本，並傾向於認為日本是機器人的精神家園。目前日本看到的機器人有兩種使用方式：像 FANUC 那樣有明確目的做著讓人驚訝的事情，或是像 SoftBank 的 Pepper 那樣的迎賓機器人，儘管使用還有很大的限制，但他們在很多方面都是蓄勢待發。對於這個領域現在的狀態，你有什麼想法？
Hassabis：是的，我認為你說的 FANUC，他們有很漂亮、很能幹的身體，但缺少智慧。而迎賓機器人和智慧手機助手更像，我見過的那些，反正都是程式設計對各種範本的反應，但如果你做出其他事情，例如去越野的地方滑雪，那他們會感到很困惑。
The Verge：所以我猜測，一個很明顯的問題是，機器學習會如何強化機器人的能力。
Hassabis：是的，這是完全不同的方法。你可以從頭開始建立學習新事物，並能應對突發事務的能力，我認為這就是當機器人或軟體應用程式在真實世界中和使用者交互時所需要的——他們需要擁有這種能力，並妥善使用。我認為學習曲線最終必須採用正確的做法。
The Verge：對於可學習的機器人來說，什麼是你看到的最直接使用案例？
Hassabis：其實，我們對此沒有太多的想法。顯然，自動車是一種機器人，但目前來說還是狹義的人工智慧，雖然他們使用了電腦視覺裡面一些可學習的人工智慧——Tesla 採用種基於深度學習的標準、現場的電腦視覺方案。我相信日本在老年護理機器人、家庭清潔機器人上面有很多思考，我認為這對社會非常有用。特別是在一個人口老齡化的社會裡，我認為是一個非常緊迫的問題。
The Verge：為什麼在這些類型的案例中，一個更基礎的學習方法，能帶來如此顯著的提高呢？
Hassabis：那麼，你需要思考這樣的問題：「為什麼我們還沒有擁有這些東西？」為什麼我們沒有一個機器人，可以跟在你後面清理房子？原因在於，每個人的房子在佈局、傢俱等方面有很多的不同，有時候它混亂，有時候卻很乾淨。因此，很難通過預程式設計的方法，找到整理你的房子的解決方案，對吧？而且你還得考慮，你的個人偏好，例如你會喜歡衣服怎樣被折疊。這是非常複雜的問題。我們認為，這些事情對於人類來說很簡單，但實際上我們必須處理非常複雜的事情。
The Verge：我也有一個掃地機器人，它不是非常管用，但我發現自己能學習它奇怪的地方，並圍繞它工作，因為我是一個懶人，而它帶來的好處值得我這麼做。所以我想知道，我們什麼時候能有更先進的機器人，在恰巧的引爆點到來之前？我們會在有意義的達到人類水準的交互和圍繞這個奇怪的小玩意工作之前，就停止研發嗎？
Hassabis：是的，我的意思是，也許吧。我想每個人都會以合理的價格購買機器人，它可以疊盤子，並洗乾淨，但無論如何，他們並沒有真正的智慧。所以，我覺得其中的每一步，隨著逐步進展就會發明出有用的東西。
The Verge：那麼，你對人類、機器人和人工智慧的未來，有什麼遙遠的期望？顯然，人們的腦袋能到達那些非常狂熱的科幻地方。
Hassabis：我自己對機器人沒多少思考。我自己對人工智慧的使用感到興奮的領域是科學，能夠推動它更快的發展。我想看到人工智慧輔助的科學，那樣會有一個人工智慧研究助手，它可以做很多乏味的工作，閱讀有趣的論文，從海量的資料中找到結構，並把它們呈現到人類專家和科學家面前，以實現更快的技術突破。
我幾個月前在歐洲核子研究中心做演講，很顯然它們創造出比地球上任何地方都多的資料，我們都知道在它們海量的硬碟中，可能會有某個新的粒子發現，但沒有人能抽出時間做這件事情，因為這裡的確有太大了的資料了。所以我覺得，如果有一天人工智慧參與尋找到一個新的粒子，那麼是一件非常酷的事。
