神经科学与人工智能的融合

在神经科学和人工智能交叉领域，著名神经科学家Anthony Zador接受了Brain Inspired播客主持人Paul Middlebrooks的深度访谈。Zador从对“NeuroAI”这一术语持初始抵制态度到如今对此领域的充满期待，其转变源于对问题本质的深刻反思。

历史回顾与现状分析

在80年代和90年代，计算神经科学和人工神经网络紧密相连。然而随着研究进展，Zador意识到仅仅关注神经回路的动力学特性是不够的；更重要的是理解这些回路如何帮助生物体解决实际问题。

关于目前AI的发展状况，Zador提出了一种发人深思的观点：当前流行的Transformer架构可能是一个反例，因为它与大脑运作方式几乎没有相似之处。他解释说，ChatGPT的成功主要归因于其封闭的语言系统，而不是对人类认知过程的真实模拟。

在多目标协调方面，Zador特别强调了AI发展的关键挑战。现有的AI系统擅长优化单一目标，但在处理多个目标时表现不佳。相比之下，生物系统通过复杂的机制平衡觅食、逃避和繁殖等多个目标。这种平衡方式可以为AI的未来发展提供重要的见解。

关于发展与学习，Zador提出了一个创新的观点：人类基因组可被视为神经回路的一种“压缩表示”，通过递归规则生成复杂结构。这一观点得到了他最新研究的支持，其团队成功地将大型神经网络压缩了100到1000倍，并保持原有的性能。

在机器人发展方面，Zador指出从模拟到现实转移的挑战，生物系统在此展现了极强的适应性，不同大小的犬类可以共享相似的神经系统发育指令。这种适应性的背后是精心设计的发展过程，通过逐步解决子问题来实现复杂能力。

展望未来，Zador认为课程学习可能是克服当前AI发展瓶颈的重要方向之一。通过将复杂的任务分解为更小的子任务，并按合理的顺序进行学习，可以提高学习效率并增强系统在面对现实世界变化时的适应性。

这次对话不仅展示了神经科学与人工智能融合的前景，还揭示了生物智能对人工智力发展的重大启示。随着研究的深入，这种跨学科探索将为AI未来的发展提供更多的洞见。