哈萨比斯：就像你说的，Google有很多人在研究人工智能，不过不同的部门专注于不同的方面。一些部门更注重于产品，一些则更注重于建造像TensorFlow这样的平台、工具和基础设施，还有一些就像我们一样是做研究的。我们和所有的这些团队合作。我们和他们保持着基于项目的紧密联系。我觉得DeepMind和其他团队有些区别在于，我们更定位于去实现通用的人工智能（Artificial General Intelligence）这个大目标。相对于短期的研究突破，我们更注重这个长期的任务。所有的研究都指向这个大目标，我觉得这就是DeepMind和其他团队最大的区别。

　　周健工：DeepMind的新科技是如何惠及Google内部的其他产业，产品以及服务的？你能举几个例子吗？

　　哈萨比斯：是的，有一些例子……实际上我们将技术应用在Google的各个产品上，我曾提到的一个是提高数据中心的能源使用率，这很了不起。我们与安卓会有很多的合作，希望能提高效能，不久就会公布。在推荐系统上我们和Google Play合作。所以在Google里也应用到不少地方了。我们还和其他的产品团队合作，所以接下来的一两年里会有越来越多的新产品会宣布。

　　周健工：那你如何寻求合作呢?因为Alphabet旗下Google和DeepMind是两家独立的公司，对吗？Google会付你们钱吗，还是仅仅对你们提出创新的要求？还是就像市场上两家独立的公司？

　　哈萨比斯：不是的，我们的合作十分紧密。我们的合作关系，我不可能告诉你那么多细节，那应该是Alphabet回答的问题，我们就像姐妹公司，姐妹团队。我们的合作十分紧密。我经常和Sundar（Sundar Pichai，Google 的CEO。）交流，讨论优先事项以及合作的项目。

　　周健工：今天，你谈到很多自我学习，对我们围棋手来说，有一些棋招很有创意又出其不意，你认为在不远的将来独立学习机制会产生独立的动机吗？机器在计算的时候有其自我目的吗？

　　哈萨比斯：是的，这是个好问题。我认为在设计系统的时候要给它们定个目标。就像AlphaGo的目标不是开车或是干其他的。它只知道我们给它定的目标，那就是赢得围棋比赛。所以我认为在可预见的将来，人工智能系统会被设计成实现设计者既定目标的工具。怎么去实现目标，也可以让机器来学习。一般说来，我认为这些系统都会竭尽所能去实现我们设定的目标。

　　周健工：所以你认为不远的未来机器总是会服从和实现人类设定的目标吗？

　　哈萨比斯：是的，AlphaGo不能自己设定自己的目标，所以你只能另外设计一种机器去做设定的工作。

　　周健工：是因为你不让它们做吗？是因为你把它们设定成不能为自己做事还是它们没有能力为自己做事？

　　哈萨比斯：对，这是后者。我们目前设计的这个系统不具备这样的能力。所以也许能想出这种设计，但我们认为这一点现在还不是很有用处，因为我们是想设计在一些领域可以帮助人类专家的工具。如果只是个工具，那还是让人类专家去设定目标。这正是我们现阶段在研发的系统。

　　周健工：说一说通用人工智能吧，这和只应用于狭窄领域如围棋领域的略有不同。你想将其应用于各行各业。我在想数据质量的问题，你们怎么确定数据来源的可信度和质量？有些数据可能是人为操纵的、肮脏的、甚至是假的，你们怎么分辨呢？

　　哈萨比斯：对，这真是一个非常……很有深度的问题。怎么去判断数据的可信度？有许多种办法来看待这个问题。这些是研究中有待于解决的很大的问题。我们可以从训练的系统中看出来，看它做出决策的质量怎样，显然如果数据是有偏颇的，那你所做的决定也不会是正确的。大概可以像这样判读出来。另外一种防止的方法，也是我们经常用的，是可以从模拟中产生出所需要的数据。如果这个模拟是正确的，或者说来源起因是正确的，那就可以产生很多数据，或者这种数据的质量会更好。所以可以使用多种策略来解决这个问题。