两项分别由英国人工智能实验室DeepMind与由德国和希腊的研究职员进行的研究显示了AI与神经科学之间有着令人着迷的关系.

就像大多数科学家说的那样，我们距开拓能够像人类一样有效地办理问题的人工智能还差几十年。
在创造通用AI的道路上，人脑（可以说是最繁芜的自然创造）是我们节制的最佳指南。

神经科学对神经系统的研究，为大脑如何事情供应了有趣的见地，大脑是开拓更好的AI系统的关键组成部分。
相应地，更好的AI系统的开拓可以帮助推动神经科学向前发展，并进一步开释大脑的秘密。

例如，卷积神经网络（CNN）是人工智能最新进展的关键贡献者之一，它很大程度上受到视觉皮层神经科学研究的启示。
另一方面，神经科学家利用AI算法研究来自大脑的数百万个旗子暗记，并找出可能消逝的模式。
这两个领域密切干系，它们的协同浸染产生了非常有趣的结果。

神经科学领域的最新创造表明，我们在AI方面正在做的精确的事情，以及我们做错了什么。

DeepMind的研究职员最近进行的一项研究证明，人工智能研究（至少是个中的一部分）正朝着精确的方向发展。

感谢神经科学，我们知道人类和动物学习的基本机制之一便是赏罚。
积极的结果会鼓励我们重复某些任务（做运动，学习考试等），而悲观的结果会阻挡我们重复犯错（触摸火炉）。

俄罗斯生理学家伊凡·帕夫洛夫（Ivan Pavlov）的实验最为人所知，这种奖罚机制是演习狗在听到铃铛时会期待食品。
我们还知道，多巴胺是中脑产生的一种神经递质，在调节大脑的褒奖功能中起着重要浸染。

强化学习(RL)是人工智能研究中最热门的领域之一，它是根据大脑的奖赏/惩罚机制而大致形成的。
在RL中，设置了AI代理来探索问题空间并考试测验不同的操作。
对付其实行的每个动作，代理都会收到数字褒奖或惩罚。
通过大量的试验和缺点，并检讨其操作的结果，AI代理开拓了一种数学模型，该模型经由了优化，可以最大程度地提高褒奖并避免惩罚。

最近，AI研究职员一贯致力于分布增强学习以创建更好的模型。
分布式RL的基本思想是利用多种成分以一系列乐不雅观和悲观的办法预测赏罚。
分布强化学习对付创建对环境变革更具弹性的AI代理至关主要。

这项新的研究是由哈佛大学和DeepMind共同完成的，并于上周在《自然》杂志 上揭橥。
该研究创造，小鼠大脑的特性与分布强化学习的特性非常相似。
AI研究职员丈量了大脑中的多巴胺引发率，以检讨生物神经元的褒奖预测率的差异。

有趣的是，在小鼠的神经系统中创造了AI科学家在分布式强化学习模型中编程的乐不雅观和悲观机制。
DeepMind的研究职员在AI实验室网站上发布的博客文章中写道：“总而言之，我们创造大脑中的多巴胺神经元每个都被调到了不同的悲观或乐不雅观水平。
“在人工强化学习系统中，这种多样化的调度会产生更丰富的演习旗子暗记，从而极大地加快了神经网络的学习速率，我们推测大脑可能出于相同的缘故原由利用它。
”

使这项创造分歧凡响的是，只管AI研究常日从神经科学创造中汲取灵感，但在这种情形下，神经科学研究已履历证了AI创造。
研究职员写道：“它使我们对AI研究走上正轨的信心增强，由于该算法已被我们所知道的最智能的实体：大脑利用。
”

这也将为神经科学的进一步研究打下根本，这反过来将有利于AI领域发展。

只管DeepMind的新创造证明了AI强化学习研究的成果，但柏林科学家的另一项研究却于1月初揭橥在《科学》杂志上，这证明我们对大脑所做的一些基本假设是完备缺点的。

关于大脑构造的普遍信念是，神经元是神经系统的基本组成部分，它们是大略的积分器，用于打算其输入的加权总和。
基于这种理念，设计了一种盛行的机器学习算法类型：人工神经网络。

单独地，人工神经元实行非常大略的操作。
它须要几个输入，将它们乘以预定义的权重，求和后再通过激活函数运行它们。
但是，当多层连接成千上万（十亿）个人工神经元时，您将得到一个非常灵巧的数学函数，可以办理繁芜的问题，例如检测图像中的工具或记录语音。

人工神经元的多层网络（常日称为深度神经网络）是过去十年中深度学习革命背后的紧张动力。

但是，对生物神经元是基本数学的“屈曲”打算器的普遍认识过于大略。
德国研究职员的最新创造后来被希腊的神经科学家证明，证明了单个神经元可以实行XOR运算，这一条件遭到了AI先驱者如Marvin Minsky和Seymour Papert的谢绝。

只管并非所有神经元都具有这种能力，但这一创造的意义是重大的。
例如，这可能意味着单个神经元可能在其内部包含一个深层网络。
宾夕法尼亚大学的打算神经科学家康拉德·科尔丁（Konrad Kording）并未参与这项研究，他对《广达杂志》（Quanta Magazine）表示，这一创造可能意味着“单个神经元可能能够打算出真正繁芜的功能。
例如，它本身可能就能识别出一个物体。
”

这对人工智能研究意味着什么？至少，这意味着我们须要重新考虑我们对神经元的建模。
它可能会刺激对具有不同类型神经元的新型人工神经元构造和网络的研究。
大概它可以帮助我们摆脱必须构建超大型神经网络和数据集来办理非常大略的问题的陷阱。

外语原文链接： https://bdtechtalks.com/2020/01/20/neuroscience-artificial-intelligence-synergies/