与所有天才一样，杰米斯·哈萨比斯的人生并不循规蹈矩。当他还是个孩子的时候，他就蝉联了五届脑力奥林匹克运动会（Mind Sports Olympiad）的全能脑力王（Pentamind Championship）称号。在他的青年时代，他曾经供职于大名鼎鼎的牛蛙工作室（代表作有《地下城守护者》）以及狮头工作时（代表作有《神鬼寓言》），参与了《模拟公园》以及《善与恶》的开发，稍后又组建了自己的游戏工作室Elixir。在2000年代中期，他离开了游戏业界并攻读了神经科学的博士学位，最终于2010年创建DeepMind。
The Verge在AlphaGO与李世石的第一局对战之后，同杰米斯·哈萨比斯进行了一次深度采访，在采访中他畅谈了AI、智能手机以及机器人等话题。
以下是采访全文：
昨天AlphaGo与李世石的对局震惊了世界，不过，不少人对于人工智能或者围棋都不甚了解，你如何向他们解释这两者到底是什么？
我希望从这几点来说明：某种意义上来说，围棋是完全信息博弈游戏（perfect information games）之王，它每一步的可能性都远远复杂于国际象棋。尤其在“深蓝”获得成功之后，解决围棋的AI问题就成为了人工智能研究领域最为重大的挑战。虽然目前来看，我们的AI的进步并不算特别卓越，但我们为此做出了相当多的努力。十年前，蒙特卡洛逻辑树的发明推动了AI领域的进步，但将神经网络中关于直觉的部分引入AlphaGo，才是它击败顶级棋手的最重要的原因：顶级棋手们最为重要的品质即是他们优秀的直觉。当我在直播过程中看到迈克·雷蒙计算目数都有些捉襟见肘的时候，感觉真的很惊讶，他可是一个九段职业选手。
AlphaGo有哪些具体的落子让你感到震惊的吗？
有次AlphaGo直接深入李世石具有优势的腹地，这让我们都很震惊——从李世石当时的表情来看，他也很震惊。没人能够想到围棋可以这样下。
是因为这一手非常具有攻击性吗？
嗯，是因为这一手大胆无畏而富有攻击性。李世石本人就以天马行空的攻击闻名于世，AlphaGo直接以对手的风格进行对局，这令人难以置信。在比赛之初布局尚未稳定之时，双方就在棋盘的各个角落展开了激战。以往的围棋程序都不擅长于对手缠斗：他们或许精于局部计算，但缺少对全盘游戏的大局观判断。
无论输赢，这一次比赛的首要目的是为了对AlphaGo的能力进行评估。昨晚的比赛中给你们最大的收获是什么？
我想，最大的意义就是让我们确信目前我们的工作有着长足的进展——比我们希望的要好得多。在赛前，我们对大众宣称比赛可能胜负各半，目前来看，这个胜率仍然是比较靠谱的：李世石是个出色的棋手，他会很快地调整自己的下棋策略，一切都有可能发生。我依然期待接下来的比赛中双方的表现。
说说这事情对人工智能发展的意义吧。你可能听过之前我把“深蓝”与AlphaGo进行的对比：“深蓝”是个“手工”程序，程序员们需要把国际象棋大师们的对局转换为具体的行动规则以及行动逻辑；而我们让AlphaGo有了自我学习的能力，它可以自我对局并从中学习，提高，这比以往的AI更像人类了。
如果AlphaGo一直保持胜势，接下来会你们有些什么计划？会在未来开发另一个AI对战游戏么？
正如我在之前所说，围棋已经是完全信息博弈游戏的巅峰了——当然，还有一些其他的围棋高手等着我们去挑战。而其他的一些游戏，诸如无限制纸牌就很困难，因为它是一个不完全信息博弈游戏（imperfect information game）。有些电子游戏同样充满挑战，比如在韩国流行的《星际争霸》这样的策略游戏，它要求AI在信息不充分的条件下展现出高水平的策略能力，我们可以把这种游戏模式称之为“部分观察”（partially observed）。相反，围棋游戏里你可以在棋盘上看到对局所需要的一切信息，这对计算机而言，处理这个要简单一些。
你对攻克《星际争霸》有兴趣吗？
可能吧。不过我们只对我们的研究范围内的项目感兴趣。虽然说AlphaGo的对局很有趣，但DeepMind的目标并不是为了玩游戏，娱乐或者给大众提供刺激。就我个人而言，我喜欢玩游戏，也曾经是游戏业界的一员，但游戏归根结底只不过是用来测试我们算法的一个测试平台，我们通过游戏来测算出它们的架构和实力。但我们的最终目标还是把自己的成果运用于现实中。
我成长于1990年代后半期的英国，常常在游戏杂志上看到你的大名和一些非常具有想象力的游戏关联在一起。当我看到你与DeepMind一同出现的时候就在想，“你们真是天生一对。”你是如何从游戏界跨界到现在的领域的呢？
DeepMind算是我的毕生追求。某种程度上来说，我为此计划并奋斗了超过二十年。如果你对我过去的事业有所了解，那你会发现这些事情是有迹可寻的：AI的表现是我在牛蛙工作室和其他地方做的游戏的核心。当我十六七岁的时候开始开发《模拟公园》，我就意识到AI可以强大到什么程度，并促使我在这一领域奋斗。由于AI的表现有趣而合理，这些游戏卖出了数百万份，玩家至今也能乐在其中。我在游戏业的最后几年里也都在这个方向努力。到了2000年代中期，我返回学校攻读神经科学，主要原因是当时的游戏业界已经不能让我继续深入研究AI了。游戏的发行商们只希望你赶快把游戏做出来卖钱。
你进入游戏界是不是因为在那个年代，游戏是AI最广泛的应用领域？
是这样的，而且当时我们做的就是AI领域最尖端的技术。1990年代人工智能领域的学术研究陷入停滞，诸如神经网络、深度学习、巩固学习（reinforcement learning）这样的技术还没有得到普及。那时候最好的人工智能表现只能体现在游戏里面，它们不是以现在这种学习形AI，大都以有限机械（finite-state machines）的状态呈现，但它们已经足够复杂，并且对于游戏相当适应。《善与恶》这样的游戏了的AI已经拥有了巩固学习的能力，我至今仍然觉得这是游戏界最好的AI设计之一。但是到了2004、2005年，事情起了变化，游戏开发不再像1990年代那样充满乐趣和创造力，那时候你只需要想到点子并付诸实施就行。自那时起，在市场上获得成功的要素变成了画面和版权，诸如《FIFA足球》这样的游戏大行其道。因此我有些厌倦：在游戏领域我把我能干的事情都干了一遍，现在开发游戏也不那么好玩了。因此我开始搜集信息，准备成立DeepMind。神经科学成为了我的新目标，我希望通过研究大脑的运作方式来开发新的人工智能，因此，我决定攻读一个神经科学学位。
如果让你把现在人工智能的成果带回游戏领域会如何呢？看起来这件事情是顺理成章的。
嗯，我觉得这会很棒。事实上，我这两天跟几家大游戏公司，譬如说EA之类的……有过联系。我们应该会把这个成果引入游戏界，运用这些最新的成果可以让游戏AI的水平突飞猛进，因为客观需求摆在这里嘛。不过目前我们更愿意把精力放在健康服务或是人事推荐系统这样更加现实的事情上。游戏业界当然是个很重要的市场，把我们的AI系统推向游戏业界前途广阔，而我觉得开发者们也会更乐于使用成熟的学习型AI（而不是自己开发），或许不久的将来，开发者们只需要对AI进行微调就可以了。
我刚刚正好想到你是不是在家里打游戏的时候，被糟糕的AI气到过。
哈哈哈，是的。一些大型多人在线游戏就经常让我恼火。这些游戏里面的AI都很蠢，他们没有记忆，也不会根据玩家的行动做出改变，行为更不会进化。如果我们把学习型AI放到这些游戏里面，整个游戏的可玩度肯定会大大提高。
本周你曾提到AI未来的应用领域将会集中在医疗保健、智能手机助手以及机器人学等方面，IBM Watson（IBM下属的认知科学研究公司）已经开始了有关癌症诊断方面的工作，DeepMind能为这些领域带来什么呢？
嗯，现在说这个可能太早了。我们几周前和NHS（英国国家医疗服务体系）宣布了合作关系，但实际上这只是构建了一个机械学习的平台。在我看来，IBM Watson跟我们做的其实是两码事，它更像是一个专家系统。它通过图像来诊断癌症，之后它或许能够纵向地追踪你的生理状态，并且提供健康建议。我觉得他们的AI更偏向于巩固学习。
在于NHS合作的同时，你们发布了一个App。但现在看来这个App跟AI或者机械学习没什么太大关系。你们对此是如何考量的？为何要为NHS而不是其他机构开发这个应用呢？
主要因为NHS目前的软件系统实在很差，我们的首要工作是把他们带入21世纪。他们的系统没有移动版页面，对客户的支持也并不是很友好，这一系统对于医生，临床医生以及护士来说都会拖慢他们的工作效率。我们目前首要工作是提升系统的工作效率，比如把可视化工具和基础统计工具加入系统。现在来看，我们在这一方面做得还不错，之后我们会把更复杂的机械学习技术加入这个App。
这个合作设计的商业化交易会不会惹麻烦？显而易见，与医疗保健机构合作在英国是个敏感话题。
嗯，确实如此。因此我们决定免费与NHS进行合作，协议也很快地达成了。对于大多数软件公司来说，为一个大机构免费做一个软件系统是不可想象的，而且通常这样的软件由于用户众多，他们也不会倾听用户的声音。我们则不一样，基本上我们还算是个创业公司，所以我们经常与用户交流，接受他们的反馈，因此这个软件几乎算得上是与用户共同开发的。
下面我们谈谈智能手机助手吧。我在开幕日上看到你在演讲时使用了一张电影《她》（斯派克·琼斯2013年拍摄的科幻电影）的海报，这是不是人工智能的终极形态呢？
并非如此。但《她》这样的电影是让公众理解人工智能的最好方式。我想做的是让智能手机助手变得真正“智能”，有条理，并且能够真正理解用户究竟想做什么。目前，大多数这样的系统并不好用，一旦你的问题超出了他们的模板，他们就不能给你有用的回复。因此，我们要做的是让这些手机助手更加适用、灵活、强大。
对于这些领域，你们需要一些怎样的突破呢？为什么我们不能立刻着手呢？
事实上我们确实已经可以实现一些构想了，但是达到这些目标需要不同的途径。在设定回应模板与机械学习之间有着巨大的鸿沟。现在的智能手机基本上是通过设定回应模板的方式来达成手机助手的功能的，因此他们的稳定性并不是很好，只能通过模板完成工作。然而真实世界要远远比模板复杂得多，你不可能在模板中把所有的用户行为都预料到。我们建立DeepMind的原则就是从原则和基础之上进行学习。
AlphaGo成功的一个重要原因是从各种游戏规则中进行学习，如何把这一原则应用在智能手机上（并使AI变得多样化）呢？
是的。正是如此，AI的运行需要大量的数据计算，我们从中也可以得到不少有用的信息。事实上，在接下来的几个月里我们将对AlphaGo的算法再度进行修正，让它逐渐摆脱最初的监督学习（supervised learning）模式，逐渐实行完全的自我学习，真正“从零开始”。要达成这个目前需要更长的时间，在此期间我们需要不停地调试或者检测，但最终我相信AlphaGo可以真正地进行学习活动。
以目前的算法来看，这个目标可能实现吗？
不不不，我们甚至可以在此之前就达成目标。算法并不会让程序变得更加强大，只是让它变更纯粹的学习模式而已。现在来看，我认为我们的算法可以在没有监督的情况下运行。去年我们曾经用雅达利游戏机（流行于70-80年代的初代游戏机）上的游戏让AlphaGo进行测试，AlphaGo在我们没有给出任何指示的情况下，就可以在屏幕上随机作出行动来。
如果失败判定更明显，要达成这一目标会更简单吗？
如果记分更加有规则，要达成这个目标会简单不少。在围棋游戏里面，你只有在胜负已分的情况下才能够“记分”，但问题在于，即使你在一盘围棋中放下了上百个棋子，你也未必能够知道你能否确实获得胜利。因此要对围棋进行记分是一件困难的事情，我们将其称之为“分数分配问题”（credit assignment problem）。而在雅达利游戏里面，你唯一的目标就是得分，因此AI也有着更多的行动参照。
你认为这些研究成果什么时候能够呈现在智能手机上并被大众所用呢？
我觉得，在接下来的两到三年里你就可以看到这些成果的开始应用，并且对工作与生活有切实的影响。而在五六年之后，你就会发现这些技术对生活的巨大改变了。
在以上所有你对AI应用的预测汇总，这是不是与谷歌联系最紧密的项目？
嗯哼。
谷歌有没有要求你们把自己的产品整合进他们的产品线或者其他商业模式中呢？
并不是，我们在自己的研究项目中有着极大的自由度。这是我们自己的使命，也是我们加入谷歌的原因：我们可以借助谷歌的帮助加速项目的运转。过去几年来我们的工作状态一直如此。当然，我们与一些谷歌自己的原型项目计划有所合作，不过这些计划几乎都只处于原型阶段，谷歌也没有近期公布的计划。当然，智能手机助手是目前我们研究中非常重要的部分，我们与桑达尔·皮查伊（谷歌CEO）也对此进行过对话，他认为这是谷歌未来计划的核心。
我留意到谷歌本部有一些其他的创新部门，比如说Google Brain，他们也将机械学习应用在谷歌图片搜索的人脸识别功能这样的，面向大众用户项目上。
这些项目到处都有啊。
你们和Google Brain之间有互动吗？你们之间的工作有重叠的地方吗？
当然啦，事实上我们的工作呈互补的态势。我们每周都有交流。Google Brain主要关注深度学习，他们有着杰夫·迪恩（Jeff Dean）这样的天才工程师，他们的技术融入了公司的每个角落。也正是如此，我们现在可以方便地使用谷歌图片搜索这样的产品。不过他们是产品推进型的项目组，这点从他们的所在地Mountain View就能够看得出来（离谷歌产品部门更近）。Google Brain的项目周期通常是一年到一年半，我们一般则是两到三年。这是因为我们专注于算法研究，与直接的产品研发关系不大。
谷歌对AlphaGo的支持有多重要？如果没有他们的支持，你们能够完成这个项目吗？
当然很重要。虽说AlphaGo对于硬件并没有特别的需求，但是我们仍然需要大量的硬件调试各个版本的AlphaGo，并且通过谷歌的云服务让他们互相对战。要实现这一目标，需要相当高的硬件配置，如果没有谷歌的资源我们几乎不可能在此刻就推出AlphaGo。
让我们谈谈机器人吧。我目前居住在日本，而很多人认为日本是机器人的精神故乡。根据我的观察，在日本，机器人一般有两个用途：诸如Fanuc这样的公司制造工业机器人，可以完成很细化的固定工作；而软银旗下的Pepper这样的公司则通常制造礼宾式机器人（concierge-style robots），这些机器人看起来意义重大，但是用途有限。你对这种情况怎么看？
嗯，按照你的描述，我觉得Fanuc这样的公司在机器人的设计层面做得不错，但是他们并没有投入“智能”的研究。礼宾型机器人的话更像是现在的智能手机助手，我见过这种机器人，它们也是按照预先编写的模板行动的，如果你做出了一些奇怪的举动，他们就会懵了。
我想，现在最显著的问题是“如何让机械学习以及其他AI技术提高机器人的能力”吧？
嗯，我想这是完全不同的思路。我们人类从出生就具有学习新事物、应对未知世界的能力，而我觉得这就是机器人或者软件应用与真实用户的最大区别。要适应真实世界，他们必须学会学习的能力，并合理应用这一能力。
你觉得目前有哪些机器人系统应用了学习方案？
老实说，我们现在并没有关注过这个问题。目前来看自动驾驶汽车算得上是会自我学习的机器人，但是AI在这方面的应用目前来看还是狭窄了点，虽然他们在计算机视觉方面加入了AI系统——特斯拉就基于深度学习技术研发了一个计算机视觉AI。我确信日本对这方面，尤其是年长者看护机器人或者是家庭清扫系统方面也进行了一些研究。考虑到日本的老龄化很严重，我觉得这些研究对于日本社会的进步有着极佳的作用。
为什么这些以学习为基础的技术能够对现实有更大的帮助呢？
你不妨这样想：“为什么我们现在还没有这样的的东西？”为什么我们现在没有能够帮你扫地，洗衣服的机器人呢？原因很简单，每个人的家都不一样，每个人都有着不同的装修、家具摆设。即使是在自己的家里，每天的状况也不很一样，有些时候你家会很干净，有些时候则会很脏乱。正因如此，你不可能为一个机器人开发预设程序。而且每个人对衣服的折叠方法之类的也有着不同的喜好，让机器人对这些进行判断就太难了。有时候我们会觉得我们每天做的事情都很简单，但是这些简单的事情放在机器人身上就非常困难了：我们的大脑每天进行的运算都是相当庞大复杂的。
问个私人问题，你们有买过扫地机器人吗？
呃……我们没有，不过他们并不是很好用所以……哈哈哈。
问这个问题是因为我自己有一个，而它并不是很有用。不过我能够发现它自己有些独特的怪癖，而且使用它也还蛮方便的。当然，这主要与我本人比较懒有关。我想问的是，随着机器人技术进步，怎样的情况才能算这些机器人“足够好”的标志呢？我们会在机器人真正能够进行与人类相似的，有意义的交互之前就停止开发吗？
是的，我的意思是……可能会。我觉得每个人都会以他们认为合理的价格买一个可以帮他们洗碗扫地的机器人，这些白痴机器人人气其实挺高，但也没什么“智力”可言。所以，是的，我觉得每一个小小的进步都会对人类有实际的好处。
你对未来人类、机器人以及AI之间的互动、关联有些什么想法呢？显而易见人们都向往美丽神奇的科幻世界。
我个人对于机器人领域并没有太多的关注。我更关心的是这些AI能对科学的进步有多少助益，以及他们的发展能有多快。我希望AI能够代替人类处理一些艰苦却琐碎的工作，比如说检索相关的文章，从大量数据中总结出他们的结构，这样一来人类的科学突破会有着更大的突破。几个月前我曾经与欧洲核子研究组织（European Organization for Nuclear Research，简称CERN）的人进行过交流，他们有着世界上最为庞大的数据量，在那些浩如烟海的硬盘中很有可能存在着新粒子的数据，但由于数据量太多，他们还尚未被发现。所以有时候我会想某天AI能够帮助人类找到一些全新的粒子，这种事情一定非常酷。
星巴克
中兴
摩拜单车
海底捞
凡客诚品
腾讯
