人工智能在过去的几年里取得了很大的进步。人工智能带来了许多方面的变化，从单纯的虚构背景到渗透到人们的日常生活中。这些进步是各种因素的产物，包括新统计方法的应用和计算能力的增强。然而，根据DeepMind 2017年的报告，《神经元》杂志的《观点》认为，人们经常轻视实验和理论神经科学对思想的贡献和使用。
DeepMind报告中的研究人员认为，在人工智能研究中从励志神经科学中学习是两个重要原因。首先，神经科学可以帮助验证现有的AI技术。他们说：“简单地说，如果我们发现一种人工算法模仿了大脑中的功能，这意味着我们的方法可能走在正确的轨道上。”其次，神经科学可以为人工脑构建中使用的新算法和架构提供丰富的灵感来源。历史上，传统的人工智能方法一直被基于逻辑的方法和纯数学模型所控制。
此外，在最近的一篇博文中，DeepMind提出，当通过奖励进行学习时，人脑和AI的学习方法密切相关。
计算机科学家开发了人工系统中强化学习的算法。这些算法使人工智能系统能够在没有外部指导的情况下学习复杂的策略，而是由奖励预测来指导。
正如本文所指出的，计算机科学的最新发展(强化学习的性能得到了显著提升)可能会为大脑中奖励学习的几个以前无法解释的特征提供一个深刻而简单的解释，并开辟一条进入大脑多巴胺系统的新研究途径，这对学习和动机障碍有潜在的影响。
DeepMind发现，大脑中的多巴胺神经元被调节到不同程度的悲观或乐观。如果他们是一个合唱团，他们不会都唱同样的音符，而是会和谐——每个人都有同样的声音，比如低音和高音歌手。在人工强化学习系统中，这种多样化的调整会产生更丰富的训练信号，从而大大加快神经网络的学习速度。研究人员推测，大脑可能出于同样的原因使用它。
分布式强化学习在大脑中的存在对人工智能和神经科学具有有趣的意义。首先，这一发现验证了分布式强化学习——它让研究人员更有信心AI研究走上了正确的轨道，因为该算法已经被用于他们所知道的最智能的实体：大脑。
因此，人工智能和神经科学的智能共享框架将使科学家能够建造更智能的机器，并使它们更好地理解人类。这种双方合作的驱动力，可能会扩大人的认知能力，弥合人与机器之间的鸿沟。
标签：