神经科学在塑造未来人工智能发展中的作用

在神经科学和人工智能的交汇处，著名神经科学家安东尼·扎多尔最近与rain Inspired客的主持人保罗·米德布鲁克斯进行了深入的对话。作为该领域的先锋，扎多尔详细阐述了他对神经人工智能未来发展的独特见解。

最初，扎多尔对“神经人工智能”这个术语持抵触态度，但他的观点已经转变为对该领域的期待。他回顾了这一主题的发展历程，指出在1980年代和1990年代，计算神经科学与人工神经网络密切相互交织。然而，随着研究的进展，扎多尔意识到仅仅专注于神经电路的动态特性是不够的；理解这些电路如何帮助生物体解决实际问题是至关重要的。

片来源说明：图像由人工智能生成，图像得到服务提供商Midjourney的授权

在讨论人工智能的当前状态时，扎多尔提供了一个发人深省的视角。他认为，目前流行的变压器架构可能是神经人工智能成功的一个反例，因为它与实际大脑功能几乎没有相似之处。扎多尔解释说，ChatGPT的成功主要归因于其语言系统的封闭性，而不是对人类认知过程的真正模拟。

人工智能发展的关键挑战

扎多尔强调了未来人工智能发展中多目标协调这一关键挑战。他指出，现有的人工智能系统擅长优化单一目标，但在多重目标上往往表现不佳。相比之下，生物系统已经进化出复杂的机制来平衡诸如觅食、逃避和繁殖等竞争目标。理解如何实现这一平衡可以为未来人工智能的发展提供重要的见解。

在发展和学习方面，扎多尔提出了一个创新的观点：人类基因组可以看作是神经电路的压缩表示，通过递归规则生成复杂结构。他的最新研究支持了这一观点，因为他的团队成功将大型神经网络压缩了100到1000倍，同时保持了其原始性能。

机器人技术与仿真到现实的转换

在讨论机器人技术时，扎多尔强调了仿真到现实的转换的挑战。他指出，生物系统表现出显著的适应性，例如不同体型的犬类仍能共享类似的神经发育指令。这种适应性源于精心设计的发育过程，允许通过逐渐解决子问题来实现复杂的能力。

课程学习作为解决方案

展望未来，扎多尔认为课程学习可能是克服当前人工智能发展瓶颈的关键方向。通过将复杂任务分解为较小、可管理的子任务并按顺序学习，人工智能系统可能比直接学习最终目标更高效。这种方法不仅可以加速学习速度，还可以增强系统在现实场景中的适应能力。

这次对话突显了神经科学与人工智能的有希望的融合，揭示了生物智能对人工智能发展的重要见解。随着研究的深入，这一跨学科的探索预计将为未来人工智能的发展提供更多见解。

要点

1. 安东尼·扎多尔讨论了神经人工智能的演变和潜力。
2. 目前的人工智能模型在多目标协调方面面临挑战。
3. 课程学习可能增强人工智能的效率和适应性。