模拟人工神经网络（ANNs）基于动物大脑

Cold Spring Harbor Laboratory (CSHL) 神经科学家 Anthony Zador 已经证明，进化和动物大脑可以成为机器学习的灵感来源。这可以帮助人工智能解决许多不同的问题。

根据 CSHL 神经科学家 Anthony Zador 的说法，人工智能（AI）可以通过研究动物大脑来获得显著的改进。这种方法为神经科学家和人工智能领域的研究人员提供了一个新的解决人工智能最紧迫问题的方法。

Anthony Zador，M.D.，Ph.D.，在他的职业生涯中致力于解释活体大脑中的复杂神经网络，甚至到了单个神经元的层面。在他的职业生涯初期，他研究的是人工神经网络（ANNs）。ANNs 是计算系统，是我们在人工智能领域发展的基础。它们的模型是基于动物和人类大脑中的网络。直到现在，这就是这个概念的全部内容。

Zador 撰写的一篇最近的观点文章发表在《Nature Communications》上。在那篇文章中，Zador 详细介绍了新的和改进的学习算法如何帮助人工智能系统发展到大大超过人类的水平。这发生在各种任务、问题和游戏中，例如国际象棋和扑克。尽管其中一些计算机在各种复杂问题上表现得非常好，但它们经常被我们人类认为简单的事情所困惑。

如果在这个领域的研究人员能够解决这个问题，机器人就可以发展到能够学习做非常自然和有机的事情，例如跟踪猎物或建造巢穴。它们甚至可以做一些像洗碗这样的事情，这对机器人来说已经被证明是非常困难的。

“我们认为很难的事情，例如抽象思维或下棋，实际上对机器来说并不是很难的事情。我们认为很容易的事情，例如与物理世界交互，这才是真正困难的，”Zador 解释道。“我们认为它很容易，因为我们已经有了五亿年的进化时间来连接我们的电路，以便我们可以毫不费力地做到这一点。”

Zador 认为，如果我们希望机器人能够快速学习，这将会改变这个领域的一切，我们可能不应该只寻找一个完美的通用学习算法。科学家和其他人应该研究通过自然和进化获得的生物神经网络。这些可以用作构建快速和容易学习特定任务的基础，这些任务对于生存至关重要。

Zador 谈到了我们可以从后院的松鼠中学习到什么，如果我们只是看一下遗传学、神经网络和遗传倾向的话。

“你有松鼠可以在出生后几周内从树到树地跳跃，但我们没有老鼠学习同样的事情。为什么不呢？”Zador 说。“这是因为一个是被遗传预先决定成为树栖生物。”

Zador 认为，遗传倾向可能带来的一个东西是动物体内的固有电路。这有助于动物并指导它的早期学习。在将其应用于人工智能世界时遇到的一个问题是，机器学习中使用的网络，比如人工智能专家所追求的网络，远比自然界中的网络更为普遍。

如果我们能够发展到人工神经网络（ANNs）可以模仿我们在自然界中看到的东西的程度，机器人就可以开始做一些曾经非常困难的事情。