了解動物的大腦可以幫助機器人洗碗

冷泉港實驗室(CSHL)的神經科學家安東尼·扎多爾(Anthony Zador)說，人工智能(AI)仍然需要從動物的大腦中學習很多東西。現在，他希望神經科學方面的經驗教訓可以幫助下一代人工智能克服一些特別困難的障礙。

醫學博士安東尼·扎多爾(Anthony Zador)在其職業生涯中一直致力于描述構成單個活潑大腦的復雜神經網絡，直至單個神經元。但是他開始了研究人工神經網絡(ANN)的職業。ANN是最近AI革命背后的計算系統，受到動物和人腦中神經元分支網絡的啟發。但是，這種廣泛的概念通常是靈感的來源。

在最近發表于《自然通訊》上的一篇觀點文章中，Zador描述了改進的學習算法如何使AI系統在越來越多的復雜問題(如國際象棋和撲克)上實現超人性能。但是，機器仍然被我們認為最簡單的問題所困擾。

解決這一悖論可能最終使機器人能夠學習如何像跟蹤獵物或筑巢一樣做有機的事情，甚至像洗碗一樣做人類和世俗的事情-Google首席執行官埃里克·施密特(Eric Sc??hmidt)曾稱其為“從字面上講第一要務” ……但對于機器人來說卻是一個極其困難的問題。

扎多爾解釋說：“我們發現困難的事物，例如抽象思維或下棋，實際上并不是機器的困難事物。我們發現容易的事物，例如與物理世界進行交互，這就是很難的事情。” “我們認為這很容易的原因是，我們已經發展了將近十億年的歷史，已經將電路連接起來，因此我們可以毫不費力地做到這一點。”

這就是為什么Zador寫道，快速學習的秘訣可能不是完美的通用學習算法。相反，他建議通過進化雕刻的生物神經網絡提供了一種支架，以促進對特定類型任務(通常是對生存至關重要的任務)的快速輕松學習。

例如，Zador指向您的后院。

“您的松鼠可以在出生后幾周內從一棵樹跳到另一棵樹，但是我們沒有老鼠學習相同的東西。為什么不呢?” 扎多爾說。“這是因為從基因上講，一個人將成為樹上的生物。”

Zador認為，這種遺傳易感性的結果之一是先天性電路，可幫助指導動物的早期學習。但是，這些腳手架網絡的普及程度遠不如大多數AI專家追求的機器學習的靈丹妙藥。扎多爾認為，如果人工神經網絡識別并改編了類似的電路，那么未來的家用機器人可能只有一天有可能用干凈的盤子使我們感到驚訝。