科学方法可能是人类迄今为止拥有的最强大创意，没有之一。并且，从启蒙运动之后，人类在这一方向上取得的进步非常令人震撼。但是，我们现在处在一个关键的节点上，在这儿，许多我们需要把控的系统都非常复杂，从气候变化到宏观经济议题再到阿兹海默疾病。我们能不能解决这些挑战，我们能取得多大的进展？这都会影响到未来数十亿人的幸福，以及我们所生存的环境。

问题是，这些挑战过于复杂，即便是世界上顶尖的科学家、医生和工程师，如果想掌握所有的必要技术来实现突破，可能都会面临层层阻碍。据说，达芬奇可能是最后一个全才，能够掌握他所处的那个时代的所有知识。自那以后，我们开始走向专才，到了今天，我们可能要穷极一生才能掌握一个领域的知识，比如天文学或者量子力学。

我们现在想要理解的系统是由大量数据支撑的，通常是高度动态的，非线性的，并且具有紧迫性，使得我们难以找到其结构和连接以揭示隐藏在其中的洞见。开普勒和牛顿可以写方程来描述地球上行星和物体的运动，但今天人类面临的问题很少能直接简化成一套简洁而紧凑的公式。

这是我们所处的时代最大的科学挑战之一。计算机时代的奠基人阿兰·图灵、约翰·冯·诺依曼、克劳德·香农，他们都深刻地理解了信息理论的核心及其重要性。今天我们已经意识到，几乎所有的东西都可以在这种范式中被思考或表达出来。这在生物信息学中最为明显，其中基因组实际上是一个巨大的信息编码模式。我相信有一天，信息将会与能源和物质一样，被视为是一种基础性的存在。

其核心在于，智力（Intelligence）可被视为将非结构化信息转化为有用和可指导行动的知识的过程。人工智能（AI）的科学前景，同时也是我将穷尽一生的事业，就是我们可以合成，自动化和优化这一过程，把技术作为一种工具，帮助我们快速地掌握新的知识，这些新领域的知识，如果没有科学手段的帮助，人类是难以处理或者掌握的。

今天，研究 AI 已经变成了一件非常流行的事，但是“AI”这一术语本身在不同的情境下，会有多维度的含义。我们在DeepMind 所采用的方法，聚焦于“学习”和“通用”这两个概念，目的是开发出科学所需要的 AI。如果我们想让计算机去发现新的知识，我们必须首先赋予它们真正的学习能力。

Photographs：Caleb Charland

我们所研究的算法，会学习如何从原始经验直接处理任务，这意味着它们所获得的知识最终是基于某种形式的现实感官而不是抽象符号。我们进一步要求这些算法应该是通用的，具有相同参数的同类系统可以在各种各样任务中都有良好表现。

这两个原则在DeepMind 2015年发表在Nature上的论文中得到了很好的展示：其中一个程序教会自己玩几十种经典的 Atari 游戏，前提是，除了屏幕上的像素和运行得分之外没有其他输入。我们还使用系统神经科学作为新算法和架构思想的主要灵感来源。毕竟，大脑是唯一存在的证据，能证明一个通用的、基于经验的学习系统最终是可以实现的。

这与我们许多前辈的做法完全相违背。通过比较在游戏领域取得世界第一的两项突破性进展IBM的深蓝和AlphaGo，双方的差异可能得到最好的解释 。 深蓝使用了所谓的“专家系统”方法：一个程序员团队与一些国际象棋大师坐下来，将他们的知识明确地提炼出来并将其编纂成一套复杂的启发式算法。然后，一个强大的超级计算机使用这些人写的规则来评估大量可能的变化，通过暴力计算获得正确的方式。

深蓝对卡斯帕罗夫的胜利是 AI 发展历史上的一个重大里程碑。但它的胜利更多地证明了其程序员和大师队伍的聪明以及当代硬件的计算能力，而不是程序本身的任何内在智能。

国际象棋被征服后，围棋成为AI研究的新圣杯。围棋差不多有3000年历史，在整个亚洲具有深刻的文化根基，它被认为不仅仅是一个游戏，还是一种艺术形式，其专业冠军会成为公众偶像。因为其棋局状态达到了10的170次方种，甚至超过了宇宙中的原子数量，所以通过暴力方法是无法解决的。

事实上，即使要编写一个函数，来确定在特定的棋盘状态下哪一方会最终获胜，这长久以来都被认为是不可能的，因为单个位置的微小变化可以彻底改变整个棋盘的状态。顶尖的人类围棋手倾向于通过自己的直觉和本能来处理这个巨大的复杂性，他们通常将一手棋简单地描述为简单的“感觉正确”，但象棋手更依赖于精确计算。

对于AlphaGo，我们意识到，要捕捉围棋博弈中所谓的“直觉”，我们必须采取与“深蓝”这类象棋程序截然不同的方法。我们使用包括深度神经网络在内的通用技术来构建学习系统，并向系统展示数以千计的强大的专业棋手对局，让系统可以对“人类合理的下棋方法是什么”有一个自己的理解。然后，我们让系统的不同版本之间相互对弈，每次从错误中学习，逐渐改进，直到变得非常强大。 

2016年3月，我们与传奇棋手李世石对战，他曾获得18项世界冠军，并被认为是过去十年中最伟大的棋手。

超过 2 亿人在线观看了这一对决，AlphaGo 4：1 获胜。专家之间的共识是，这一突破至少早来了十年。更重要的是，在比赛期间，AlphaGo 开发了很多创造性的走法，并带来胜利，其中之一是第二场比赛中第37手，它推翻了数百年的智慧，走出一步意外之棋，并被棋手们深入研究。

在获胜的过程中，AlphaGo以某种方式向全世界传授了对可能是历史上最受瞩目的棋局游戏的全新认识。

这些算法带来启发的时刻让我们看到为什么AI可以对科学如此有益，即机器辅助科学发现的可能性。我们相信，AlphaGo的基础技术是通用的，可以广泛应用于其他领域，特别是有着可以优化的清晰目标函数的领域，以及可以精确模拟的环境，从而实现高效的快速实验。例如，在能源效率方面，我们使用这些算法的一个变体来找到一套能够将Google数据中心电力消耗降低40％的新技术，我们现在正在整个团队中推广以实现巨大的成本节约，并为环境做出巨大贡献。

我们认为，在接下来的几年中，科学家和研究人员使用类似的方法将会在多个领域产生深刻影响，包括从超导材料设计到药物发现等。在许多方面，我认为AI类似于哈勃望远镜，这是一种科学工具，可以让我们看得更远并且更好地了解我们周围的宇宙。

当然，像任何强大的技术一样，AI必须以负责任的、道德的方式被使用，并使每个人都受益。我们还必须继续高度理解AI算法的实用性和局限性，严格地关注程序自身的能力，以及将更多研究需要投入到输入数据的质量和透明度控制上，我们可能会发现，人工智能可以识别一些模式和人眼漏掉的资源，从而在支持各种专家时发挥至关重要的作用。

正是在人与算法之间的这种合作中，未来几十年里才能有不可思议的科学进步。我相信AI将成为科学家部署、增强日常生活的一种基本解决方案，让我们大家更快更有效地工作。如果我们可以广泛和公平地部署这些工具，培育一个环境让每个人都可以参与和受益，我们就有机会丰富和促进人类的整体发展。

与此同时，我们也可以学到一些关于自己的东西。我一直觉得物理和神经科学在某种程度上是最根本的课题：一个是关心外部世界，另一个与内在世界相关。因此二者涵盖了一切。 AI 有潜力帮助我们更好地理解世界，随着我们更多地了解学习过程本身并将其与人类的大脑进行比较，我们总有一天可以更好地了解是什么使我们独一无二，揭示长久以来的奥秘，包括将梦想、创造力或者意识 。

如果人工智能可以帮助整个人类社会，不仅可以拯救环境，治愈疾病和探索宇宙，而且还能让人更好地了解自己， 这可能是它所有发现中最伟大的一个。