人工智能已經(jīng)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(jīng)全面超越了人類。

美國冷泉港實驗室 （CSHL） ）的神經(jīng)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(jīng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡，最詳細之處可追溯到單個神經(jīng)元。

人工神經(jīng)網(wǎng)絡（ANNs）靈感來自于動物和人類大腦中神經(jīng)元的分支網(wǎng)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(jīng)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(chǎn)生的生物神經(jīng)網(wǎng)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。”

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(jīng)回路。如果人工神經(jīng)網(wǎng)絡能夠識別并適應類似的神經(jīng)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(jīng)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(jīng)元和1.3億個突觸鏈接，從神經(jīng)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(jīng)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(jīng)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(wǎng)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(wǎng)