Demis Hassabis在人工智能方面富有經(jīng)驗：他在倫敦創(chuàng)辦了一家名為DeepMind的人工智能公司，在2014年，谷歌花費6.5億美元收購了這家公司。在此之后，他的公司創(chuàng)造了AlphaGo，在復雜的圍棋比賽中徹底打敗了人類，并開始進一步開發(fā)更通用的人工智能系統(tǒng)。

但是，現(xiàn)在他公開表示，人工智能要想真正實現(xiàn)其潛力，唯一途徑是從人類的智力運作方式里尋找靈感。

目前，大多數(shù)人工智能系統(tǒng)都是建立在數(shù)學層面上，而這種層面的人工智能系統(tǒng)其實也在一定程度上受到了人腦運作方式的啟發(fā)。但是，不同類型的機器學習，比如，語音識別或圖像識別，需要不同的數(shù)學結構，所生成的算法也只能執(zhí)行某種特定的任務。

在機器學習領域，構建能夠執(zhí)行通用任務而不是專屬任務的人工智能，一直是人們的夙愿。但事實是，要擴展特定的算法，使其更通用化，仍然是非常困難的?？赡懿糠衷蚴?，人工智能目前還不具備人類的一些特性，比如好奇心、想象力和記憶等，或者它已經(jīng)具有了一部分人類特性，只是還處于起步階段。

7月20日，Hassabis和三個共同作者在《神經(jīng)》雜志上發(fā)表了一篇論文，他們認為，只有當我們更好地了解了人類自身的智能后，才有希望讓人工智能實現(xiàn)更多看似不可能的任務。

他們認為，首先，只有更好地理解大腦是如何工作的，我們才能更好地為電子智能創(chuàng)造新的結構和算法。其次，通過從建立和測試尖端人工智能系統(tǒng)的經(jīng)驗中吸取教訓，我們可以更好地理解：智能到底是什么。

該論文回顧了神經(jīng)科學和人工智能的歷史，以闡釋兩者之間的聯(lián)系。該論文指出，無論是使用“人工神經(jīng)元層來理解輸入內(nèi)容”的深度學習，還是通過“反復試驗、試錯”的強化學習（reinforcement learning），這兩種人工智能的機器學習都得歸功于神經(jīng)科學。

但論文也指出，實際上最近人工智能的進步并非十分依賴于生物學。不過，通用的人工智能則更需要類似于人類的特性，比如對現(xiàn)實世界的直覺性理解和更有效的學習方法。Hassabis和他的同事們認為，“將人工智能和神經(jīng)科學間的思想進行互換，以推動兩個領域共同‘良性循環(huán)’發(fā)展”，這也許是一個不錯的解決方案。

Hassabis并不是唯一一個持這一觀點的人。紐約大學的心理學教授、優(yōu)步AI實驗室前主任Gary Marcus認為，可以通過研究兒童認知的發(fā)展模式，來改進機器學習系統(tǒng)。

即便如此，要將這些想法實現(xiàn)仍然很困難。在科技媒體theVerge的一個采訪中，Hassabis解釋道，人工智能和神經(jīng)科學已經(jīng)成為“兩個浸淫在自身慣性思維里的龐大領域，普通人在其中任何一個領域都很難成為專家，而了解這兩個領域、并能將二者聯(lián)系起來的通才型專家則是鳳毛麟角！”