Googles Intelligence Designer

Demis Hassabis började spela schack vid fyra års ålder och blommade snart ut till ett underbarn. Vid åtta års ålder ledde framgången på schackbrädet honom att fundera över två frågor som har besatt honom sedan dess: för det första, hur lär sig hjärnan att bemästra komplexa uppgifter; och för det andra, skulle datorer någonsin kunna göra detsamma?

Nu 38, Hassabis funderar över dessa frågor för Google, efter att ha sålt sin föga kända London-baserade startup, DeepMind, till sökföretaget tidigare i år för rapporterade 400 miljoner pund (650 miljoner dollar vid den tiden).

Google tog upp DeepMind kort efter att de demonstrerade programvara som kan lära sig själv att spela klassiska videospel till en övermänsklig nivå (se Är Google en vinkel på marknaden för djupinlärning?). Vid TED-konferensen i Vancouver i år, Googles vd Larry Page tjatade om Hassabis och kallade sitt företags teknik något av det mest spännande jag sett på länge .

Forskare letar redan efter sätt som DeepMind-tekniken kan förbättra några av Googles befintliga produkter, som sökning. Men om tekniken fortskrider som Hassabis hoppas kan det förändra den roll som datorer spelar på många områden.

DeepMind strävar efter att bygga programvara för artificiell intelligens som kan lära sig när man ställs inför nästan alla problem. Detta kan hjälpa till att lösa några av världens mest svårlösta problem, säger Hassabis. AI har en enorm potential att vara fantastisk för mänskligheten, säger han. Det kommer verkligen att påskynda framstegen när det gäller att lösa sjukdomar och alla dessa saker som vi gör relativt långsamma framsteg på just nu.

Renässansman

Hassabis strävan att förstå och skapa intelligens har lett honom genom tre karriärer: spelutvecklare, neurovetare och nu entreprenör med artificiell intelligens. Efter att ha avslutat gymnasiet två år för tidigt fick han jobb hos den berömda brittiske speldesignern Peter Molyneux. Som 17-åring ledde Hassabis utvecklingen av det klassiska simuleringsspelet Theme Park, som släpptes 1994. Han fortsatte med en examen i datavetenskap vid University of Cambridge och grundade sitt eget framgångsrika spelföretag 1998.

Men kraven på att bygga framgångsrika datorspel begränsade hur mycket Hassabis kunde arbeta med sin sanna kallelse. Jag tyckte att det var dags att göra något som fokuserade på intelligens som en primär sak, säger han.

Så 2005 påbörjade Hassabis en doktorsexamen i neurovetenskap vid University College London, med tanken att studier av riktiga hjärnor kan visa upp ledtrådar som kan hjälpa till med artificiell intelligens. Han valde att studera hippocampus, en del av hjärnan som stödjer minne och rumslig navigering, och som fortfarande är relativt dåligt förstådd. Jag valde områden och funktioner i hjärnan som vi inte hade särskilt bra algoritmer för, säger han.

Som datavetare och spelentreprenör som inte hade tagit gymnasiebiologi, stack Hassabis ut från läkarna och psykologerna på hans avdelning. Jag brukade skämta om att det enda jag visste om hjärnan var att den satt i skallen, säger han.

Men Hassabis gjorde snart avtryck. I en studie från 2007 som erkändes av tidskriften Vetenskap har har Årets genombrott , visade han att fem patienter som lider av minnesförlust på grund av skador på hippocampus kämpade för att föreställa sig framtida händelser. Det antydde att en del av hjärnan som troddes bara vara orolig för det förflutna också är avgörande för att planera för framtiden.

Att minne och framåtplanering är sammanflätade var en idé som Hassabis tog med sig till sin nästa satsning. 2011 slutade han som postdoktor för att grunda DeepMind Technologies, ett företag vars uttalade mål var att lösa intelligens.

Rekord

Hassabis grundade DeepMind med andra AI-specialister Shane Legg och serieentreprenören Mustafa Suleyman. Företaget anställde ledande forskare inom maskininlärning och lockade anmärkningsvärda investerare, inklusive Peter Thiels företag Founders Fund och Tesla och SpaceX-grundaren Elon Musk. Men DeepMind höll en låg profil fram till december 2013, då det arrangerade ett slags debutantögonblick på en ledande forskningskonferens om maskininlärning.

På Harrah's Casino på stranden av Lake Tahoe visade DeepMind-forskare upp mjukvara som hade lärt sig att spela tre klassiska Atari-spel - Pong, Breakout och Enduro - bättre än en expertmänniska. Programvaran var inte programmerad med någon information om hur man spelar; den var endast utrustad med tillgång till kontrollerna och displayen, kunskap om poängen och en instinkt att göra poängen så hög som möjligt. Programmet blev en expertspelare genom försök och misstag.

Ingen hade någonsin visat programvara som kunde lära sig att bemästra en så komplex uppgift från grunden. DeepMind hade använt sig av en nymodig maskininlärningsteknik som kallas djupinlärning, som involverar bearbetning av data genom nätverk av grovt simulerade neuroner (se 10 Breakthrough Technologies 2013: Deep Learning ). Men den hade kombinerat djup inlärning med andra knep för att göra något med en oväntad nivå av intelligens.

Folk blev lite chockade eftersom de inte förväntade sig att vi skulle kunna göra det i det här skedet av tekniken, säger Stuart Russell , professor och specialist på artificiell intelligens vid University of California, Berkeley. Jag tror att det gav många människor uppehåll.

DeepMind hade kombinerat djupinlärning med en teknik som kallas reinforcement learning, som är inspirerad av djurpsykologers arbete som B.F. Skinner. Detta ledde till programvara som lär sig genom att vidta åtgärder och få feedback om deras effekter, som människor eller djur ofta gör.

Forskare inom artificiell intelligens har pysslat med förstärkningsinlärning i decennier. Men fram till DeepMinds Atari-demo hade ingen byggt ett system som kunde lära sig något nästan så komplicerat som hur man spelar ett datorspel, säger Hassabis. En anledning till att det var möjligt var ett trick lånat från hans favoritområde i hjärnan. En del av Atari-spelmjukvarans inlärningsprocess involverade att spela upp tidigare erfarenheter om och om igen för att försöka extrahera de mest exakta tipsen om vad den borde göra i framtiden. Det är något som vi vet att hjärnan gör, säger Hassabis. När du somnar spelar din hippocampus upp minnet av dagen tillbaka till din cortex.

Ett år senare undrar Russell och andra forskare fortfarande över exakt hur det tricket, och andra som användes av DeepMind, ledde till sådana anmärkningsvärda resultat, och vad mer de kan användas till. Google tog inte lång tid för att inse vikten av ansträngningen, och meddelade en månad efter Tahoe-demonstrationen att de hade förvärvat DeepMind.

Företagsman

Idag leder Hassabis det som nu kallas Google DeepMind. Det har fortfarande sitt huvudkontor i London och har fortfarande solve intelligence som uppdragsbeskrivning. Ungefär 75 personer starka när det gick med i Google, Hassabis har sagt att han siktar på att anställa cirka 50 fler. Cirka 75 procent av gruppen arbetar med grundforskning. Resten utgör en tillämpad forskargrupp som letar efter möjligheter att tillämpa DeepMinds tekniker på befintliga Google-produkter.

DeepMinds teknologi kan användas för att förfina YouTubes rekommendationer eller förbättra företagets mobila röstsökning, säger Hassabis. Du kommer att se en del av vår teknik inbäddad i den typen av saker under de närmaste åren, säger han. Google är inte den enda som är övertygad om att det här tillvägagångssättet kan vara ett snäpp. Förra månaden fick Hassabis Mullard Award från Storbritanniens Royal Society för arbete som sannolikt kommer att gynna landets ekonomi.

Men Hassabis låter mer exalterad när han pratar om att gå längre än att bara justera algoritmerna bakom dagens produkter. Han drömmer om att skapa AI-forskare som kan göra saker som att generera och testa nya hypoteser om sjukdomar i labbet. När han blir påtryckt säger han också att DeepMinds mjukvara också kan vara användbar för robotik, ett område som Google nyligen har investerat stort i (se The Robots Running This Way ). En anledning till att vi inte har fler robotar som gör mer användbara saker är att de vanligtvis är förprogrammerade, säger han. De är väldigt dåliga på att hantera det oväntade eller lära sig nya saker.

Hassabis ovilja att prata om applikationer kan vara nyfikenhet, eller så kan det vara så att hans forskare fortfarande är i de tidiga stadierna av att förstå hur man kan utveckla företagets AI-mjukvara. En stark indikator på att Hassabis förväntar sig snabba framsteg mot en kraftfull ny form av AI är att han sätter upp en etikstyrelse inom Google för att överväga de möjliga nackdelarna med avancerad artificiell intelligens. Det är något som vi eller andra personer på Google måste vara medvetna om. Vi spelar fortfarande Atari-spel just nu, säger han och skrattar. Men vi är på de första stegen.

Den här historien uppdaterades den 3 december för att återspegla att DeepMinds Atari-spelmjukvara inte lärde sig att slå en mänsklig expert på Space Invaders.

Dölj