NeuroAI：迈向下一代人工智能(2)

几十年前，当时的研究人员为了解大脑是如何计算的而埋下了人工智能的种子(McCulloch and Pitts 1943)。事实上，在上世纪40年代，约翰·冯·诺伊曼利用他所掌握的非常有限的关于大脑的知识，建立了现代“冯·诺依曼计算机架构”，这些有限的知识来源于最初建造人工大脑的尝试 (Von Neumann 2012)。推动现代人工智能革命的深度卷积神经网络建立于人工神经网络基础之上，其直接灵感来源于戴维·赫贝尔（David Hubel）和托尔斯滕·维塞尔（Torsten Wiesel）关于猫的视觉处理神经环路的工作，后者获得了诺贝尔奖 (Hubel and Wiesel 1962; LeCun and Bengio 1995)。与之相似的是强化学习 (RL) 的发展历程，RL的直接灵感来源于对动物行为和其神经活动的观察(Thorndike and Bruce 2017; Rescorla 1972; Schultz, Dayan, and Montague 1997)。
几十年后的今天，人工神经网络和RL的应用发展迅速，以至于很多观察者都认为人工智能的长期目标——通用人工智能已经实现了。然而，领域内的人士则认为，在我们建立类似人类、甚至小鼠这样的人工智能系统之前，我们仍需在这个领域取得新的突破，因为现有的人工智能系统尚不能完成类似小鼠的所有任务。
尽管人工智能系统可以在国际象棋 (Campbell, Hoane, and Hsu 2002) 和围棋 (Silver et al. 2016) 等游戏中轻松击败任何人类对手，但它们并不鲁棒，在面对新环境的时候往往会失效。此外，我们还没有建立能够走到货架边、取下棋盘、放置棋子、在游戏中移动棋子的系统。类似地，没有机器可以筑巢、觅食浆果或照顾幼崽。今天的人工智能系统无法与四岁儿童甚至简单动物的感觉运动能力竞争。许多应对新情况所需的基本能力对人工智能来说具有较大的挑战，但动物天生就拥有或可轻松获得这些能力，部分原因是人工智能系统缺乏与变幻世界互动的基本能力。越来越多的人工智能研究人员怀疑，仅仅扩大现有方法就能克服这些限制。考虑到需要在AI中实现更多的自然智能，很可能需要从自然智能系统中获得新的灵感 (Sinz et al. 2019) 。
虽然许多关键的人工智能进步，如卷积人工神经网络和RL，都受到了神经科学的启发，但目前机器学习领域的许多研究都在遵循自己的道路，建立在之前开发的方法基础上，这些方法是受数十年来神经科学的发现而启发，例如受到大脑中注意力机制启发的基于注意力的神经网络 (Itti, Koch, and Niebur 1998; Larochelle and Hinton 2010; Xu et al. 2015) 。现代神经科学产生了新的影响，但它们是由少数研究人员带头的。因此在AI的发展中错失了很多机会。在过去几十年中，通过NIH， 脑计划等努力，我们积累了大量关于关于支撑自然智能的解剖学和功能结构的大脑知识。NeuroAI是神经科学和人工智能的交叉点，这一新兴领域基于一个前提：对神经计算的更好理解将揭示智能的基本成分，并催化人工智能的下一次革命，最终导致人工智能的能力与人类相匹配，甚至可能超过人类。