人工智能已經能夠做到很多事情——谷歌的AlphaGo戰(zhàn)勝了圍棋世界冠軍，人工智能Libratus戰(zhàn)勝4名人類頂尖德州撲克選手……

但這并不意味著人工智能就已經全面超越了人類。

美國冷泉港實驗室 （CSHL） ）的神經學家安東尼·扎多爾（Anthony Zador）表示：“我們發(fā)現(xiàn)很困難的一些事情，比如抽象思維或下棋，其實對機器來說并不難。但一些我們覺得簡單的事情，比如與物理世界的互動，對AI來說是困難的?！?/p>

近日，安東尼表示，學習動物大腦的運轉方式可能有助于改善人工智能。他希望關于神經科學的知識能夠幫助下一代AI克服更多障礙。

醫(yī)學博士安東尼的職業(yè)生涯是從研究人工神經網絡（ANNs）開始的。他一直致力于描述構成一個活大腦的復雜神經網絡，最詳細之處可追溯到單個神經元。

人工神經網絡（ANNs）靈感來自于動物和人類大腦中神經元的分支網絡。

在最近發(fā)表在《自然通訊》（Nature Communications）上的一篇觀點文章中，安東尼描述了改進的學習算法是如何讓人工智能系統(tǒng)在越來越多的復雜問題（如象棋和撲克）上取得超人的表現(xiàn)。

但一些十分簡單的問題，比如跟蹤獵物或筑巢，甚至一些很普通的事情，比如做飯，都仍然困擾著人工智能。

安東尼表示：“我們認為這很容易的原因是，我們經歷了5億年的進化，這些進化連接了我們的回路，讓我們毫不費力地做到了這一點?！?/p>

因此，安東尼認為，要解決這種困難，“一個完美的通用學習算法”可能并非正確答案。而一個類似于自然進化產生的生物神經網絡則可以促進針對特定任務的快速、簡單的學習——通常是那些對物種生存至關重要的任務。

安東尼舉例說明：“有些松鼠在出生后幾周內就能從一棵樹跳到另一棵樹，但老鼠卻不能。這是因為松鼠的基因決定了它是一種樹棲動物?！?/p>

他認為，基因決定了動物有著引導新生兒進行早期學習的先天神經回路。如果人工神經網絡能夠識別并適應類似的神經回路，那么未來的家用機器人就可以輕而易舉地做到類似洗碗這種小事。

大腦極為神秘和復雜，至今科學家們還沒有研究透徹。不過，試圖給AI“人造大腦”，科學家們從幾年前就開始干這種事了。

2017年，英特爾實驗室就宣布正在研發(fā)代號“Loihi”的自學習神經元芯片，模仿了大腦功能，能從環(huán)境反饋中直接學習。Loihi內部有著總計超過13萬個神經元和1.3億個突觸鏈接，從神經元數(shù)量上講，Loihi比龍蝦的大腦還要復雜一點，不過與由超過800億個神經元組成的人腦相比還相去甚遠。

2018年波音也宣布要研發(fā)模擬人類大腦神經元的芯片，并希望在十年后把新款芯片植入飛機中，從而實現(xiàn)飛行自動化。

今年5月，一手打造AlphaGo的DeepMind團隊也發(fā)表了另一項重要成果。該團隊最新研發(fā)出的一個人工智能程序具有類似哺乳動物一樣的尋路能力，非常類似大腦中網格細胞的工作原理。

不過，也有科學家認為“此路不通”。

麻省理工學院的物理學家、生命未來研究所的主任Max Tegmark曾稱，過于關注大腦只是“碳沙文主義”， 盡管到目前為止科學家們還沒有找到它的奧秘，但大腦的運作方式并沒有什么神奇之處。

“我們太沉迷于大腦的運作方式，”Tegmark說，“我認為這是缺乏想象力的表現(xiàn)?！?/p>

來源：前瞻網