摘要
尽管人工智能系统可以完成像下棋或扑克这样的超人任务，但像洗碗这样的简单任务也有很多需要学习的地方。解决方案…
尽管人工智能系统可以完成像下棋或扑克这样的超人任务，但像洗碗这样的简单任务也有很多需要学习的地方。解决这个问题的办法是理解动物的大脑。
冷泉港实验室(CSHL)的神经学家安东尼·扎多尔说，人工智能(AI)仍然有很多东西需要从动物的大脑中学习。现在，他希望神经科学的课程能够帮助下一代人工智能克服一些特别困难的障碍。
安东尼·扎多，医学博士在他的职业生涯中，他一直致力于描述构成一个活大脑的复杂神经网络，直至单个神经元。但他的职业生涯是从研究人工神经网络开始的。ANNs是最近人工智能革命背后的计算系统，其灵感来自于动物和人类大脑中神经元的分支网络。然而，这个宽泛的概念通常是灵感的终点。
在最近发表于《Nature Communications》的一篇观点文章中，《 Zador》描述了改进的学习算法如何让人工智能系统在越来越多的复杂问题上取得超人的性能，比如象棋和扑克。然而，我们认为最简单的问题仍然困扰着机器。
解决这一矛盾也许最终能让机器人学会如何做一些有机的事情，比如跟踪猎物或筑巢，甚至做一些人类和平凡的事情，比如做饭。但是对于一个机器人来说，这是一个非常困难的问题。
我们发现，复杂的时间，比如思考抽象的事情，或者玩象棋，对电脑来说，其实并不复杂。
我们发现简单的事情，比如与物理世界的互动，这是困难的，”Zador解释道。我们认为这很容易的原因是，我们有5亿年的进化已经连接了我们的电路，所以我们毫不费力地做到了这一点。
这就是为什么Zador写到快速学习的秘诀可能不是一个完美的通用学习算法。相反，他认为，由进化塑造的生物神经网络提供了一种支架，可以促进针对特定任务的快速、简单的学习——通常是那些对生存至关重要的任务。
举个例子，Zador指着你的后院。
你有一只松鼠，它出生后几周内就可以从一棵树跳到另一棵树上，但是我们没有让老鼠学会同样的东西。 我们有松鼠，它们在出生后几周内就能从一棵树跳到另一棵树，但是我们没有老鼠学同样的东西。为什么不呢?
Zador认为，这种基因易感性的一个结果是帮助引导动物早期学习的先天回路。然而，这些脚手架网络远没有大多数人工智能专家所追求的公认的机器学习万能药那么普遍。Zador认为，如果ANNs能够识别并适应类似的电路，未来的家用机器人也许有一天会用干净的盘子给我们带来惊喜。
来源：Medindia
此文系悬壶济世网原创整理，没有授权，请勿转载！
