基于动物大脑的人工神经网络（ANNs）建模

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作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大大改进。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种新的解决人工智能最紧迫问题的方法。

Anthony Zador，M.D.，Ph.D.，已经将他的大部分职业生涯致力于解释活体大脑中的复杂神经网络。他甚至研究了个体神经元。在他的职业生涯初期，他专注于其他事情。他研究了人工神经网络（ANNs）。ANNs 是计算系统，已经成为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。

最近，Zador 撰写了一篇发表在 Nature Communications上的观点文章。在这篇文章中，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越人类的水平。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出色，但它们经常被我们人类认为简单的事情所困惑。

如果在这个领域工作的人能够解决这个问题，机器人可以发展到一个点，即它们可以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极其困难的。

“我们认为很难的事情，例如抽象思维或下棋，实际上并不是很难的事情。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 解释说。“我们认为它很容易的原因是，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实现快速学习，这将改变该领域的一切，我们可能不仅仅需要寻找一个完美的通用学习算法。科学家和其他人应该做的是研究通过自然和进化给予我们的生物神经网络。这些可以用作快速和容易地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身上学到什么，如果我们只看遗传学、神经网络和遗传倾向。

“你有松鼠可以在出生几周后在树与树之间跳跃，但我们没有老鼠学习同样的事情。为什么不？” Zador 说。“这是因为一个是天生注定要成为树栖生物。”

Zador 认为，遗传倾向可能带来的东西是动物体内的固有电路。这有助于动物并指导其早期学习。将其附加到人工智能世界的问题之一是，机器学习中使用的网络比自然界中的网络更为通用。

如果我们能够达到一个点，即人工神经网络（ANNs）发展到可以以自然界中看到的东西为模型，机器人就可以开始执行以前极其困难的任务。