AI 要通過具身圖靈測(cè)試，必須與世界互動(dòng)、具有靈活性、提高能源效率。歷史上，神經(jīng)科學(xué)一直是人工智能發(fā)展的關(guān)鍵驅(qū)動(dòng)力和靈感來源，特別是視覺、基于獎(jiǎng)勵(lì)的學(xué)習(xí)、與物理世界的互動(dòng)以及語言等人類和其他動(dòng)物非常擅長(zhǎng)的領(lǐng)域，人工智能曾借助神經(jīng)科學(xué)在這些領(lǐng)域取得長(zhǎng)足進(jìn)步。但近年來，人工智能的研究方式似乎正在遠(yuǎn)離神經(jīng)科學(xué)，與此同時(shí)，人工智能在追趕人類智能的路上困難不斷。在此背景下，一股回歸神經(jīng)科學(xué)的人工智能熱潮正在形成。近日，一份白皮書發(fā)出了“NeuroAI 將催化下一代人工智能革命”的宣言。這份以“Toward Next-Generation Artificial Intelligence: Catalyzing the NeuroAI Revolution”為題的白皮書，集結(jié)了 Yoshua Bengio、Yann LeCun 兩位圖靈獎(jiǎng)獲得者，以及一批致力于機(jī)器學(xué)習(xí)與神經(jīng)科學(xué)結(jié)合研究的科學(xué)家。他們呼吁：為了加快人工智能的進(jìn)步并發(fā)揮其巨大的潛力，我們必須致力于 NeuroAI 的基礎(chǔ)研究。白皮書首先提出，生物智能的基本要素在于動(dòng)物與世界進(jìn)行感覺運(yùn)動(dòng)交互的能力。從這一前提出發(fā)，他們提出具身圖靈測(cè)試（The Embodied Turing Test ）作為 NeuroAI 的終極挑戰(zhàn)，它的核心在于高級(jí)感覺運(yùn)動(dòng)能力，具體包括與世界互動(dòng)、動(dòng)物行為的靈活性、能源效率等特征。同時(shí)，白皮書還設(shè)想了應(yīng)對(duì)具身圖靈測(cè)試的路線，從進(jìn)化史角度把 AI 系統(tǒng)的具身圖靈測(cè)試分解為從中低級(jí)生物進(jìn)階到更復(fù)雜生物的智能。
NeuroAI：智能的本質(zhì)在于感覺運(yùn)動(dòng)人工智能向神經(jīng)科學(xué)的回歸是必然的。人工智能革命的種子正是幾十年前在計(jì)算神經(jīng)科學(xué)中播下的，神經(jīng)學(xué)家 McCulloch 和 Pitts 在 1943 年首次提出神經(jīng)元性質(zhì)的數(shù)學(xué)表達(dá)形式，他們?cè)噲D了解大腦是如何計(jì)算的。而馮·諾依曼發(fā)明“馮諾依曼計(jì)算機(jī)體系結(jié)構(gòu)”，事實(shí)上也是來源于最早在構(gòu)建“人工大腦”方面的工作，他從1940 年代還非常有限的大腦知識(shí)中汲取了靈感。掀起最近一輪人工智能浪潮的深度卷積網(wǎng)絡(luò)，則是建立在人工神經(jīng)網(wǎng)絡(luò) (ANN) 之上的，該網(wǎng)絡(luò)直接從貓的視覺處理電路方面的研究中得到啟發(fā)。同樣，強(qiáng)化學(xué)習(xí) (RL) 的發(fā)展也是直接從動(dòng)物在學(xué)習(xí)過程中的神經(jīng)活動(dòng)中汲取了靈感。幾十年后的今天，人工神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)已經(jīng)成為人工智能的主流技術(shù)，所以在大眾看來，“通用人工智能”這一長(zhǎng)期目標(biāo)似乎已經(jīng)在我們掌握之中。然而，與這種樂觀主義相反，許多一線的人工智能研究人員認(rèn)為，我們?nèi)孕枰〉眯碌闹卮笸黄?，才有可能?gòu)建能夠完成人類的所有工作的人工系統(tǒng)，而且不僅是人類，甚至包括像老鼠這樣更簡(jiǎn)單的動(dòng)物。目前的 AI 還遠(yuǎn)遠(yuǎn)未達(dá)到這種目標(biāo)：AI 可以在國際象棋和圍棋等游戲中輕松擊敗任何人類對(duì)手，但并不具有足夠的穩(wěn)健性，在面對(duì)新事物時(shí)經(jīng)常遇到困難；AI 還做不到‘”走到架子上、取下棋盤、布置棋子并在游戲中移動(dòng)棋子”這一系列的簡(jiǎn)單行為；AI 的感覺運(yùn)動(dòng)能力還無法與四歲兒童相媲美，甚至是更簡(jiǎn)單的動(dòng)物也比不上；AI 缺乏與不可預(yù)測(cè)的世界互動(dòng)的能力，難以處理新情況，而這種能力是所有動(dòng)物毫不費(fèi)力就獲得的基本能力。因此，越來越多的 AI 研究人員懷疑，再沿著當(dāng)前的路子往前走，難以解決以上問題。既然我們的目標(biāo)是讓 AI 擁有更多自然智能，那么我們很可能就需要來自自然智能系統(tǒng)的新靈感。雖然如卷積人工神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)等都受到了神經(jīng)科學(xué)的啟發(fā)，但目前機(jī)器學(xué)習(xí)的大部分研究都在走另一條路，其所采用的方法受到神經(jīng)科學(xué)幾十年前發(fā)現(xiàn)的啟發(fā)，比如基于大腦注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)。現(xiàn)代神經(jīng)科學(xué)的確仍在影響著 AI ，但影響還很微小。這是一種機(jī)會(huì)的錯(cuò)失。在過去的幾十年里，我們已經(jīng)積累了大量關(guān)于大腦的知識(shí)，這使我們能夠深入了解支撐自然智能的解剖結(jié)構(gòu)和功能結(jié)構(gòu)。正是在這樣的背景下，這些科學(xué)家在這份白皮書中發(fā)出宣言：NeuroAI 是神經(jīng)科學(xué)和 AI 交叉的新興領(lǐng)域，其所基于的前提是更好地理解神經(jīng)計(jì)算將揭示智能的基本成分，它將催化 AI 的下一次革命，最終實(shí)現(xiàn)具有匹敵甚至超越人類能力的人工智能體。他們認(rèn)為，現(xiàn)在是開展大規(guī)模工作來識(shí)別和理解生物智能原理，并將其抽象出來用于計(jì)算機(jī)和機(jī)器人系統(tǒng)的大好時(shí)機(jī)。他們認(rèn)為，適應(yīng)性、靈活性和從稀疏觀察中做出一般推斷的能力，這些才是智能的基本要素，它們已經(jīng)以某種形式存在于我們進(jìn)化了數(shù)億年的基本感覺運(yùn)動(dòng)電路中。盡管抽象思維和推理經(jīng)常被認(rèn)為是人類特有的智能行為，但正如人工智能先驅(qū) Moravec 所說，抽象思維只是“一種新技巧，歷史也許還不到 10 萬年……它之所以有效，是因?yàn)榈玫搅烁爬?、更?qiáng)大、但通常是無意識(shí)的感覺運(yùn)動(dòng)知識(shí)的支持。”這無疑是個(gè)好消息，大鼠、小鼠和非人類靈長(zhǎng)類動(dòng)物可以作為自然智能實(shí)驗(yàn)中更易處理的模型，如果人工智能可以匹配它們的感知和運(yùn)動(dòng)能力，那么人類智能的步驟就會(huì)小得多。因此，如果我們弄清楚所有動(dòng)物在與世界的具體感覺運(yùn)動(dòng)交互中擁有的核心能力，NeuroAI 就必將帶來重大進(jìn)步。
NeuroAI 大挑戰(zhàn)：具身圖靈測(cè)試1950 年，艾倫·圖靈提出“模仿游戲” ，用于測(cè)試機(jī)器所表現(xiàn)出的與人類相同、或無法區(qū)分的智能行為的能力。在那場(chǎng)比賽中，人類法官需要評(píng)估真人與受過訓(xùn)練、可以模仿人類反應(yīng)的機(jī)器之間的自然語言對(duì)話。圖靈提出，相比于無法回答的“機(jī)器是否可以思考”問題，我們可以確定的是，機(jī)器的會(huì)話能力與人類能否區(qū)分。這當(dāng)中隱含的觀點(diǎn)是，語言代表了人類智能的頂峰，因此，能夠?qū)υ挼臋C(jī)器肯定是智能的。在某種程度上，圖靈是對(duì)的，但另一方面他也錯(cuò)了。雖然沒有 AI 能通過圖靈測(cè)試，但近日，在大型文本庫上訓(xùn)練的語言系統(tǒng)已經(jīng)實(shí)現(xiàn)了有說服力的對(duì)話，這一成功在某種程度上也揭示了，我們?nèi)菀讓⒅橇?、能?dòng)性甚至意識(shí)歸因于對(duì)話者。但同時(shí)，這些系統(tǒng)在某些推理任務(wù)上的表現(xiàn)仍然很差，這凸顯了圖靈忽視的一個(gè)事實(shí)，即智力遠(yuǎn)不止語言能力。當(dāng)前，自然語言處理（NLP）系統(tǒng)所犯的許多錯(cuò)誤也說明了AI 對(duì)語義、因果推理和常識(shí)的根本缺乏。對(duì)這些模型而言，單詞的意義在于它們?cè)诮y(tǒng)計(jì)學(xué)上的共現(xiàn)性，而非現(xiàn)實(shí)世界的基礎(chǔ)，所以即使是最先進(jìn)的語言模型，盡管能力越來越大，但它們?cè)谝恍┗镜奈锢沓ＷR(shí)方面還是表現(xiàn)不佳。最初制定的圖靈測(cè)試并沒有探究 AI 在與動(dòng)物共享、以靈活方式理解物理世界的能力，只是建立一個(gè)簡(jiǎn)單的定性標(biāo)準(zhǔn)，以此來判斷我們?cè)跇?gòu)建 AI 方面取得的進(jìn)展。而這當(dāng)中的理解和能力，可能是建立在人類的感知和運(yùn)動(dòng)能力之上的，是通過無數(shù)代自然選擇磨練出來的。對(duì)此，作者在白皮書中提出了一個(gè)擴(kuò)展的“具身圖靈測(cè)試”（The Embodied Turing Test ），其中就包括了高級(jí)感覺運(yùn)動(dòng)能力，可將 AI 與人類和其他動(dòng)物的交互進(jìn)行基準(zhǔn)測(cè)試和比較。以動(dòng)物為例，每只動(dòng)物都有自己獨(dú)特的一套能力，因此它們也定義了自己的具身圖靈測(cè)試，例如測(cè)試人造的海貍建造水壩能力，松鼠跳樹的能力等等。在這當(dāng)中，許多核心的感覺運(yùn)動(dòng)能力幾乎為所有動(dòng)物共有，而動(dòng)物能夠迅速進(jìn)化出適應(yīng)新環(huán)境所需的感覺運(yùn)動(dòng)技能，也表明這些核心技能為其提供了一個(gè)堅(jiān)實(shí)的基礎(chǔ)。下面是白皮書所介紹的感覺運(yùn)動(dòng)能力的幾個(gè)共同特征。與世界互動(dòng)
有目的地四處走動(dòng)、并與環(huán)境互動(dòng)是動(dòng)物的決定性特征。盡管機(jī)器人技術(shù)近期在優(yōu)化控制、強(qiáng)化學(xué)習(xí)和模仿學(xué)習(xí)等方面取得了進(jìn)展，但在控制身體和操縱物體方面，距離要達(dá)到動(dòng)物級(jí)別還很遙遠(yuǎn)。作者指出，由于神經(jīng)科學(xué)可以提供關(guān)于模塊化和分層架構(gòu)的指導(dǎo)，當(dāng)這些架構(gòu)適應(yīng)于 AI 中時(shí)，可以使 AI 也能具有這些能力。不僅如此，神經(jīng)科學(xué)還為我們?cè)O(shè)計(jì) AI 系統(tǒng)提供了一些原則性指導(dǎo)，如部分自主性（層次結(jié)構(gòu)中的低級(jí)模塊如何在沒有高級(jí)模塊輸入的情況下半自主地行動(dòng)）和分期控制（最初由緩慢的計(jì)劃過程產(chǎn)生的運(yùn)動(dòng)如何最終轉(zhuǎn)移到快速的反射系統(tǒng)中去）等。了解特定的神經(jīng)網(wǎng)絡(luò)如何參與不同的任務(wù)——如運(yùn)動(dòng)，對(duì)四肢、手和手指的精細(xì)控制，感知以及行動(dòng)選擇——可能為這種系統(tǒng)如何在機(jī)器人中實(shí)現(xiàn)提供路徑，也可能給其他形式的 "智能 "在更多認(rèn)知領(lǐng)域中提供解決方案。例如，納入低級(jí)運(yùn)動(dòng)控制的電路原理，有助于為 AI 的高級(jí)運(yùn)動(dòng)規(guī)劃提供更好的基礎(chǔ)。動(dòng)物行為的靈活性
了解特定的神經(jīng)網(wǎng)絡(luò)的另一個(gè)目標(biāo)，是開發(fā)能夠以與個(gè)體動(dòng)物產(chǎn)生的行為范圍相呼應(yīng)的方式、參與大量靈活和多樣化任務(wù)的人工智能系統(tǒng)。如今，AI 可以很容易地學(xué)會(huì)在視頻游戲中勝過人類，如《霹靂火》，只需使用屏幕上的像素和游戲分?jǐn)?shù)。然而與人類玩家不同的是，這些 AI 是脆弱的，對(duì)小的擾動(dòng)非常敏感，稍微改變游戲規(guī)則或輸入幾個(gè)像素，都會(huì)導(dǎo)致災(zāi)難性的糟糕表現(xiàn)。這是因?yàn)?AI 學(xué)習(xí)了一種從像素到行動(dòng)的映射，而這種映射不需要涉及對(duì)游戲中的代理、物體以及支配它們的物理學(xué)的理解。同樣地，一輛自動(dòng)駕駛汽車本身并不了解從它前面的卡車上掉下來的箱子的危險(xiǎn)性，除非它真的看到從卡車上掉下來的箱子導(dǎo)致壞結(jié)果的案例。即使它接受過關(guān)于板條箱墜落危險(xiǎn)的培訓(xùn)，系統(tǒng)也可能認(rèn)為一個(gè)從它前面汽車吹過來的空塑料袋是一個(gè)要不惜一切代價(jià)避免的障礙，這是因?yàn)樗鼘?shí)際上并不了解塑料袋是什么，或它在物理上有多大的威脅。這種無法處理訓(xùn)練數(shù)據(jù)中沒有出現(xiàn)過的場(chǎng)景，是對(duì)廣泛依賴 AI 系統(tǒng)的一個(gè)重大挑戰(zhàn)。為了在不可預(yù)測(cè)和不斷變化的世界中取得成功，智能體必須具有靈活性，并通過這種情況的常規(guī)發(fā)展趨勢(shì)來掌握新的變化，這也是動(dòng)物所做的事情。由于動(dòng)物在現(xiàn)實(shí)世界的互動(dòng)中打下了堅(jiān)實(shí)的基礎(chǔ)，在進(jìn)化和發(fā)展的過程中，它們生來就具備茁壯成長(zhǎng)所需的大部分技能，或是能從有限經(jīng)驗(yàn)中迅速獲得這些技能。因此可以明顯看到，從頭開始訓(xùn)練特定任務(wù)并不是動(dòng)物獲得技能的方式。動(dòng)物不會(huì)進(jìn)入白板世界，然后依靠大型標(biāo)記訓(xùn)練集來學(xué)習(xí)。盡管機(jī)器學(xué)習(xí)一直在尋求避免這種“白板”的方法，包括自我監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)、持續(xù)學(xué)習(xí)、元學(xué)習(xí)、一次性學(xué)習(xí)和模仿學(xué)習(xí)，但這些方法并沒有太接近動(dòng)物身上的靈活性。為此，作者認(rèn)為，理解為現(xiàn)實(shí)世界中的行為靈活性提供基礎(chǔ)的神經(jīng)回路級(jí)原理，即使是存在于簡(jiǎn)單的動(dòng)物當(dāng)中，也有可能大大提高 AI 的靈活性和實(shí)用性。也即是說，我們可以利用進(jìn)化已經(jīng)參與的優(yōu)化過程，大大加快對(duì)用于現(xiàn)實(shí)世界交互的通用電路的探索。能源效率
目前， AI 面臨的一個(gè)重要挑戰(zhàn)我們大腦已經(jīng)克服了，就是能源效率。例如，訓(xùn)練 GPT?3 等大型語言模型需要超過1000兆瓦時(shí)，足以為一個(gè)小鎮(zhèn)供電一天。用于訓(xùn)練 AI 的能源總量很大并且增長(zhǎng)迅速，相比之下，生物系統(tǒng)的能源效率更高，例如人類大腦的使用大約20瓦。大腦和計(jì)算機(jī)對(duì)能力需求的差異源于信息處理得差異。在算法層面上，現(xiàn)代大規(guī)模人工神經(jīng)網(wǎng)絡(luò)如大規(guī)模語言模型依賴大的前饋架構(gòu)，隨時(shí)間推移對(duì)過程序列的自我關(guān)注，往往會(huì)忽略了遞歸對(duì)于處理連續(xù)信息的潛在力量。目前，由于我們?cè)谘h(huán)網(wǎng)絡(luò)中沒有有效的信用分配計(jì)算機(jī)制，大腦利用靈活的循環(huán)架構(gòu)來處理長(zhǎng)時(shí)間序列的方式，顯然可以高效地解決時(shí)間信用分配問題——甚至比當(dāng)前人工神經(jīng)網(wǎng)絡(luò)中使用的前饋信用分配機(jī)制更有效。如果我們能利用大腦來指導(dǎo)如何為循環(huán)電路設(shè)計(jì)高效的訓(xùn)練機(jī)制，或許可以提高我們處理順序數(shù)據(jù)的能力，同時(shí)進(jìn)一步提高系統(tǒng)的能量效率。其次，在實(shí)現(xiàn)層面上，生物神經(jīng)元主要通過傳輸動(dòng)作電位（尖峰信號(hào)）來進(jìn)行交互，這是一種異步通信協(xié)議。就像傳統(tǒng)數(shù)字元素之間的相互作用一樣，神經(jīng)元的輸出可以看作是 0 和 1 的串，但與數(shù)字計(jì)算機(jī)不同的是，“ 1 ”（即峰值）的能量消耗比“ 0 ”高幾個(gè)數(shù)量級(jí)。由于生物電路在尖峰稀疏的狀態(tài)下運(yùn)行——即使是非常活躍的神經(jīng)元也很少超過 10% 的占空比，大多數(shù)以較低的速率運(yùn)行——它們的能源效率要高得多。此外，其他因素也可能有助于提高生物網(wǎng)絡(luò)的能源效率。例如，即使某些組件非常不可靠或“嘈雜”，生物網(wǎng)絡(luò)仍能有效計(jì)算。突觸釋放——神經(jīng)元交流的方式——也許很不可靠，以至于每 10 條信息中只有 1 條被傳遞。電路的組織方式使得尖峰序列是高度可變的，這一特性或可以令神經(jīng)電路能進(jìn)行概率推理。這是一種很在不確定情況下的穩(wěn)健計(jì)算形式，盡管目前許多研究正在努力開發(fā)峰值網(wǎng)絡(luò)的潛力，但迄今為止，仍未出現(xiàn)能夠與生物電路能量效率媲美的“殺手級(jí)應(yīng)用”。當(dāng)前主要問題是，“神經(jīng)形態(tài)芯片”既不復(fù)制先天的神經(jīng)回路功能，也不容易訓(xùn)練，因此盡管它們更節(jié)能，用處也不如同類能耗大的數(shù)字產(chǎn)品。在這樣的情況下，作者提出，要使 AI 中獲得更高的能效，不僅可以借鑒稀疏尖峰網(wǎng)絡(luò)的思想，還能通過提供具有神經(jīng)回路功能和學(xué)習(xí)規(guī)則的神經(jīng)形態(tài)芯片來實(shí)現(xiàn)。
如何應(yīng)對(duì)具身圖靈測(cè)試
那么，我們?cè)撊绾伍_發(fā)具身圖靈測(cè)試的 AI ？作者認(rèn)為，或許可以從進(jìn)化史的角度逐步進(jìn)行。例如，讓絕大部分動(dòng)物都進(jìn)行以目標(biāo)為導(dǎo)向的運(yùn)動(dòng)，比如靠近食物和遠(yuǎn)離威脅。在此基礎(chǔ)上有更復(fù)雜的技能，包括結(jié)合不同感官，像視覺或嗅覺，通過不同感官信息來區(qū)分食物和威脅，導(dǎo)航到以前的位置，衡量激勵(lì)和威脅來實(shí)現(xiàn)目標(biāo)，并用準(zhǔn)確的方式與世界互動(dòng)來服務(wù)目標(biāo)等等。這些復(fù)雜的能力可以在像蠕蟲這樣簡(jiǎn)單的生物體中找到，而在魚類和哺乳動(dòng)物等更復(fù)雜的動(dòng)物中，這些能力會(huì)被設(shè)計(jì)與新策略結(jié)合，以實(shí)現(xiàn)更強(qiáng)大的行為策略。這種進(jìn)化的觀點(diǎn)提出了一種解決具身圖靈測(cè)試的策略，即將其分解為一系列相互依賴的增量挑戰(zhàn)，并對(duì)此系列反復(fù)優(yōu)化。此外，代表解決中低級(jí)挑戰(zhàn)的生物包括蠕蟲、蒼蠅、魚類、嚙齒動(dòng)物和靈長(zhǎng)動(dòng)物等，都是神經(jīng)科學(xué)研究中廣泛使用的系統(tǒng)，我們可以利用此前關(guān)于這些動(dòng)物行為模式背后的電路和機(jī)制等知識(shí)積累，使用虛擬環(huán)境和虛擬生物在計(jì)算機(jī)上進(jìn)行相關(guān)研究。為了達(dá)到所需行為的靈活水平，通過具身圖靈測(cè)試的 AI 將面臨一系列特定物種的測(cè)試，以探索自我監(jiān)督學(xué)習(xí)、持續(xù)學(xué)習(xí)、遷移學(xué)習(xí)、元學(xué)習(xí)和終身記憶等，這些測(cè)試也可以被標(biāo)準(zhǔn)化，以便我們衡量研究進(jìn)展。最終，成功的虛擬生物體可以通過機(jī)器人的努力來適應(yīng)物理世界，并用于解決現(xiàn)實(shí)世界的問題。要實(shí)現(xiàn)以上提到的目標(biāo)，既需要大量資源，也需要在心理學(xué)、工程學(xué)、語言學(xué)等傳統(tǒng)人工智能和神經(jīng)科學(xué)以外的學(xué)科做出成績(jī)。除了簡(jiǎn)單地利用這些學(xué)科的現(xiàn)有專業(yè)知識(shí)之外，我們的當(dāng)務(wù)之急是培養(yǎng)同時(shí)擅長(zhǎng)工程/計(jì)算科學(xué)和神經(jīng)科學(xué)的新一代人工智能研究人員。這些研究人員將利用神經(jīng)科學(xué)數(shù)十年的成果，為人工智能研究制定全新的方向。最大的挑戰(zhàn)將是確定如何利用神經(jīng)科學(xué)、計(jì)算科學(xué)和其他相關(guān)領(lǐng)域的協(xié)同作用來推進(jìn)探索，也就是確定大腦電路、生物物理學(xué)和化學(xué)的哪些細(xì)節(jié)是重要的，而哪些細(xì)節(jié)在 AI 應(yīng)用中可以忽略。因此，我們迫切需要在不同領(lǐng)域接受過一定培訓(xùn)的研究人員，他們用適用于計(jì)算機(jī)的方式抽象神經(jīng)科學(xué)知識(shí)并幫助設(shè)計(jì)實(shí)驗(yàn)，從而產(chǎn)生與人工智能相關(guān)的新神經(jīng)生物學(xué)研究成果。其次，我們需要?jiǎng)?chuàng)建一個(gè)能夠開發(fā)和測(cè)試這些虛擬智能體的共享平臺(tái)。在創(chuàng)建迭代、體現(xiàn)圖靈測(cè)試和進(jìn)化人工生物來解決這個(gè)需求時(shí)，我們將面臨的最大技術(shù)挑戰(zhàn)之一就是計(jì)算能力。目前，僅針對(duì)單個(gè)具體任務(wù)（比如在 3 維空間中控制身體）訓(xùn)練一個(gè)大型神經(jīng)網(wǎng)絡(luò)模型可能就需要數(shù)天時(shí)間在專門的分布式硬件上。第三，我們需要支持神經(jīng)計(jì)算的基礎(chǔ)理論和實(shí)驗(yàn)研究。在過去的幾十年里，我們已經(jīng)了解了大量關(guān)于大腦的知識(shí)，我們開始越來越了解大腦的單個(gè)細(xì)胞，神經(jīng)元，以及這些東西是如何作為簡(jiǎn)單電路的一部分發(fā)揮作用的。有了對(duì)這些模塊的知識(shí)，我們的下一步就是將精力投入到探索大腦這個(gè)綜合智能系統(tǒng)的運(yùn)作方式中去。而探索這個(gè)整體，就需要深入了解1000種不同類型的1000億個(gè)神經(jīng)元是如何連接在一起的，需要去了解每個(gè)神經(jīng)元與數(shù)千個(gè)其他神經(jīng)元之間那靈活多變、適應(yīng)性強(qiáng)的連接，也需要去了解計(jì)算能力，也就是智能。所以我們必須對(duì)大腦進(jìn)行逆向工程，把其運(yùn)作的基本原理抽象出來。請(qǐng)注意，虛擬智能體的發(fā)展將極大地加速這一過程，因?yàn)樘摂M智能體允許在真實(shí)動(dòng)物和計(jì)算機(jī)模擬動(dòng)物的實(shí)驗(yàn)之間進(jìn)行直接比較，而這將揭示魯棒控制、靈活行為、能源效率和智能行為所必需的神經(jīng)電路級(jí)別屬性和機(jī)制的內(nèi)在機(jī)理。利用神經(jīng)科學(xué)和人工智能之間強(qiáng)大的協(xié)同效應(yīng)需要項(xiàng)目和基礎(chǔ)設(shè)施支持，才能組織和實(shí)現(xiàn)跨學(xué)科的大規(guī)模研究。
盡管神經(jīng)科學(xué)推動(dòng)人工智能發(fā)展的歷史由來已久，而且其未來發(fā)展也有巨大的潛力，但人工智能界的大多數(shù)工程師和計(jì)算科學(xué)家都不知道可以借神經(jīng)科學(xué)這股東風(fēng)。神經(jīng)科學(xué)對(duì)馮·諾依曼、圖靈和其他計(jì)算理論巨人思想的影響，在典型的計(jì)算機(jī)科學(xué)課程中很少被提及；NeurIPS 等前沿人工智能會(huì)議曾經(jīng)被用來分享展示計(jì)算神經(jīng)科學(xué)和機(jī)器學(xué)習(xí)的最新成果，但現(xiàn)在參會(huì)的人們也幾乎只關(guān)注機(jī)器學(xué)習(xí)，而忽視了神經(jīng)科學(xué)。“工程師研究鳥類并不是為了造更好的飛機(jī)”是大家常說的一句話。但這個(gè)類比很失敗，其部分原因是航空先驅(qū)確實(shí)研究過鳥類，而且現(xiàn)代也仍有學(xué)者在研究。此外，這種類比在一個(gè)更基本的層面上也不成立：現(xiàn)代航空工程的目標(biāo)不是實(shí)現(xiàn)「鳥類水平」的飛行，但是人工智能的主要目標(biāo)確實(shí)是實(shí)現(xiàn)，或者說超過「人類水平」的智能。正如計(jì)算機(jī)在許多方面超過人類一樣（比如計(jì)算質(zhì)數(shù)的能力），飛機(jī)在速度、航程和載貨能力等方面也超過了鳥類。如果航空工程師的目標(biāo)確實(shí)是建造一種具有「鳥類水平」能力的機(jī)器，這種機(jī)器能夠穿過茂密的森林，輕輕地降落在樹枝上，那么這些工程師就得去密切關(guān)注鳥類是如何做到這一點(diǎn)的。同樣，如果人工智能的目標(biāo)是達(dá)到動(dòng)物級(jí)別的常識(shí)性感覺運(yùn)動(dòng)智能，研究人員最好要向動(dòng)物學(xué)習(xí)，學(xué)習(xí)動(dòng)物在這個(gè)不可預(yù)測(cè)的世界中進(jìn)化出的行為方式。參考鏈接：
https://arxiv.org/ftp/arxiv/papers/2210/2210.08340.pdf
更多內(nèi)容，點(diǎn)擊下方關(guān)注：掃碼添加 AI 科技評(píng)論 微信號(hào)，投稿&進(jìn)群：
未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！
公眾號(hào)轉(zhuǎn)載請(qǐng)先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號(hào)名片。
雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
