（文章來源：讀芯術）

人工智能與神經科學，這兩個看似相隔甚遠的學科，實際上有著非常緊密的聯系。這兩個領域的協作是必然的。正如DeepMind認為的那樣：在如此多的利害關系下，目前神經科學領域和人工智能結合的需求比以往任何時候都更加迫切。本文將從兩個方面探討這個主題：神經科學如何啟發人工智能，以及人工智能如何推進神經科學。

神經科學在人工智能的發展史上扮演了關鍵角色，它一直是構建人工智能的靈感來源。一般有兩種路徑：第一，模擬人類的智力，第二，建立模擬大腦結構的神經網絡。模擬人類智能的人工智能系統。這些機器能夠比人類更好地執行任務和解決問題，實現與人類相媲美甚至超過人類的性能。但是，無論看起來多么驚人，它們的設計意圖都不過是物善其用罷了，我們距離建立真正的AI世界還有幾十年的時間。

盡管思想先進，性能優越，這些人工智能系統在重要方面與人類智力有所不同。在KAIST的一項研究中，研發人員探究人類元強化學習的計算和神經機制，發現人類在做決定時，可以適應復雜性和不確定性。研發人員希望建立能夠像人類一樣做出決策，并以人類的方式解決問題的模型。他們的發現打開了這樣一種可能性：技術的進步可能有助于制造出更像人類的機器。

人們希望能制造真正像人類一樣學習和思考的機器。就像即使蒙著眼睛，我們仍然可能彈好吉他。但如果換成AI，其表現可能會大打折扣。建立模擬大腦結構的神經網絡。人腦包含大約860億個神經元，每個神經元都與其他神經元相連。生物神經元是細胞：當一個神經元激活時，它會產生一個棘波，并向其他神經元發送信號。

我們從人腦結構中吸取了靈感，設計出了今天的神經網絡。神經網絡中神經元的思想與大腦中的生物神經元具有相似的特征。與人腦一樣，機器學習神經網絡也由相互連接的神經元組成。當一個神經元接收到輸入時，它就會激活，并將信息發送給其他神經元。

人腦的可塑性讓我們每次學習新的東西，都是在創造和加強神經元之間的聯系。熟能生巧就是基于這樣的原理。同理，向神經網絡輸入大量數據時，它也會學習。神經網絡上的每個連接都與一個權重相關聯，權重決定了神經元之間的重要性。在訓練過程中，權重相應地調整，以加強或削弱神經元之間的聯系。

例如，當我們看一張貓的照片時，我們知道這是一只貓，因為我們在生活中見過足夠多的貓。同樣，如果給神經網絡提供足夠多的貓圖像，它就會開始識別貓。在了解神經科學如何啟發人工智能模仿人類智力、構建模仿大腦結構的神經網絡后，反過來看看，人工智能又會如何推進神經科學。

人工智能正在迅速成為神經科學中的一個寶貴的工具，它有助于理解人腦的工作原理，并加速神經科學的發展。人工智能加速神經科學的發展和發現。機器學習的主要優勢在于能夠識別復雜數據中的模式，尤其在涉及到分析人類的思想時。大腦發出的信號真的很復雜。隨著機器學習的推進，神經科學家正在破解數十億個大腦神經元協同工作的秘密。

功能性磁共振成像通過檢測血液流動的變化來測量大腦的活動，它每秒都能生成大腦活動的高維快照。使用機器學習來分析數據有助于發現大腦活動的方式，從而加快研究工作。機器學習還有助于開發以前認為不可能的應用程序。韓國大學設計了一個控制下肢外骨骼的實驗，測試者可以通過盯著閃爍的燈光集中注意力來控制外骨骼。

人工智能有助于理解人腦的工作原理。神經科學家正在研究人腦如何思考以及如何控制身體移動。通過了解大腦，我們可以更好地診斷精神疾病，并使殘疾人提高運動能力。AI系統的進步可以幫助神經科學解開大腦的秘密能，神經科學家和研究人員可以利用AI建立更好的模型來模擬人腦。

神經網絡扮演著“虛擬大腦”的角色，獲取人類大腦的表現。這些虛擬大腦可以產生神經活動模式，類似于從大腦記錄下來的模式。有了這些模式，神經科學家可以在進行實際測試之前，測試假設并觀察模擬結果。

然而，AI系統的工作方式與人類大腦有著天壤之別。神經網絡只是大腦工作方式的一個粗略模擬，它將神經元建模為高維矩陣中的數字。但實際上，人類大腦是一個復雜的生物機器，需要化學反應和腦電活動。這正是人類區別于機器的地方。

由此可見，一方面，人腦是構建AI的首要靈感，人工智能研究人員使用神經科學的概念來構建新的算法；另一方面，人工智能也加速了神經科學的研究，神經科學家可以通過AI來解釋人類大腦。
? ? ? （責任編輯：fqj）