NeuroAI：迈向下一代人工智能(6)

此外，其他因素可能有助于提高生物网络能源效率。例如，生物网络可以有效地进行计算，即使其中一些组件高度不可靠或“有噪音”。神经元之间通过突触进行交流，这种方式非常不可靠，每10条信息中只有1条被传输 (Dobrunz and Stevens 1997)。在组织环路时，尖峰序列也是高度可变的，这一特性可能允许神经环路执行概率推理，这是在存在不确定性时的一种鲁棒计算形式 (Ma et al. 2006)。当前研究者们正在努力开发脉冲神经网络的潜力 (Davies et al. 2018; DeBole et al. 2019)，但目前为止还没有杀手级的应用表明这些网络能够以生物级别的能效运行。主要问题归结为目前的“神经形态芯片”既不能复制先天的神经环路功能，也不容易训练 (Roy, Jaiswal, and Panda 2019)。
因此，虽然脉冲计算的方式更节能，但用处远不如耗能巨大的数字网络。因此，我们认为，在AI中获得更高的能源效率不仅可以通过借鉴脉冲神经网络的思想，还可以通过提供具有先天神经环路功能和学习规则的神经形态芯片实现。
解决具身图灵测试的路线图
如何开发能够通过具身图灵测试的人工系统？一种自然的方法是在人类进化史的指导下循序渐进地进行。例如，几乎所有的动物都从事目标导向运动；它们会朝着某些刺激 (如食物来源) 移动，而远离其他刺激 (如威胁)。在这些基础能力之上是更复杂的技能，如结合不同感官信息流 (如视觉和嗅觉) 的能力，使用这些感官信息来区分食物来源和威胁，导航到之前的位置，权衡可能的奖励和威胁以实现目标，并以精确的方式与世界互动，以服务于最终目标。在某种程度上，即使是非常简单的生物，如蠕虫，也能发现其具备许多复杂的能力。在更复杂的动物中，如鱼类和哺乳动物，这些能力被精心设计，并与新的策略相结合，从而形成更强大的行为策略。
进化论视角提出了一种解决具身图灵测试的策略，即将其分解为一系列相互构建的挑战性增量测试，并在这个基础上迭代优化 (Cisek and Hayden 2022)。此外，代表低级和中级测试挑战的生物体可能包括蠕虫、苍蝇、鱼类、啮齿动物和灵长类动物，它们是神经科学研究中广泛使用的模式生物。我们在这些模式生物行为神经环路和行为机制的基础上通过计算机进行研究，构建虚拟环境和虚拟生物 (Merel, Botvinick, and Wayne 2019; Merel et al. 2019)。为了达到所要求的行为灵活性水平，通过图灵测试的人工智能系统将面临一系列针对物种的测试，包括自我监督学习、持续学习、迁移学习、元学习和终身记忆。这些挑战可以标准化，以便对进展进行量化。最终，成功的虚拟生物可以在机器人技术的额外帮助下适应物理世界，并用于解决现实世界的问题。