NeuroAI：迈向下一代人工智能(3)

我们认为，现在是大规模进行识别和理解生物智能原理的恰当时机，并将这些原理抽象出来用于计算机和机器人系统。
尽管人们倾向于关注智能行为中最具人性特征的方面，例如抽象思维和推理，并且从稀疏观察中做出一般推断的能力已经以某种形式存在于已经进化了数亿年的基本感觉运动环路中。正如人工智能先驱汉斯·莫拉维克 (Moravec 1988) 所说，抽象思维“是一种新的把戏，也许不到10万年的历史......有效的唯一原因是它得到了更古老、更强大、但通常是无意识的感觉运动知识的支持”，小鼠和非人灵长类动物可以作为自然智能的实验模型。如果人工智能能够匹配他们看似简单的感知能力和运动能力，那么通往人类智能水平的步伐将大大缩短。因此我们相信，如果我们弄清所有动物与世界互动的核心能力，NeuroAI 将带来必要的进步。
NeuroAI面对的大型挑战：具身图灵测试
1950年，阿兰·图灵（Alan Turing）提出了模仿游戏 (Turing 1950)，以测试机器是否能表现出与人类行为相当或者无法区分的智能。那场比赛，现在广泛被称为图灵测试 (Turing test) ，在比赛中，机器被训练来模仿人类的反应，并要求人类裁判评估真人和机器之间的对话的自然程度。图灵提出，与其具体地说机器是否会“思考”（他认为这是一个不可能回答的问题），可以对“机器会思考吗”这个问题进行合理替代，如我们能否区分机器与人类的会话能力来回答这个问题。图灵测试隐含着这样一种信念，即语言代表了人类智慧的顶峰，能够进行对话的机器一定是智能的。在某种程度上，图灵是对的，但在另一方面，他是错的。虽然没有一个人工智能系统通过了图灵测试，但最近，单纯基于大模型的语言系统可以进行令人惊讶的和令人信服的对话。
在某种程度上，大语言模型的成功揭示了我们多么容易被骗，从而将智力、能动性甚至意识归因于我们的对话者 (Sejnowski 2022) 。另一个原因是，这些系统在某些推理任务上仍然很差 (Kosoy et al. 11--13 Apr 2022) 。尽管最近的人工智能系统令人印象深刻，但它们的失败也突显出图灵忽视了一个事实，即智力远不止于语言。当前自然语言处理系统所犯的许多错误说明了系统在语义、因果推理和常识等方面的根本缺乏。词汇只有在统计上共同出现时才对模型有意义，而不是基于现实世界的经验，所以即便是最先进的语言模型功能越来越强，但他们仍无法具备一些基本的物理常识。因此，最初制定的图灵测试，并没有探索像动物一样，以灵活的方式理解物理世界的能力。此外，这种对世界的理解很可能建立在我们在无数代的自然筛选中进化出的感知运动能力基础上。