无监督学习，迁移学习和工程设计
AI系统与人类学习之间的另一个主要差异在于AI系统所需的大量标记数据才可以达到人类级别的性能。例如，最近的语音识别系统在11940小时的语音训练后才能对齐转录。如果我们每天大声地听到另一个人类阅读文本两个小时，那么我们需要16年才能获取到这个数据集。AlphaGozero练习了490万场才击败人类围棋大师。如果一个人每天玩围棋30年，那么他每天必须玩450场比赛才能达到AlphaGozero的练习量。此外，最近关于视觉问答的数据集包含了0.25M图像，0.76M问题和10M答案。如果我们每天收到关于图像的100个问题的答案，我们需要274年的时间来吸收这种规模的数据集。很明显人类接受的标记训练数据量要少得多，但他们可以识别语音，玩围棋并很好地回答有关图像的问题。
其中，人工智能和生物智能之间差距的几个关键在于人类从未标记数据中学习的能力（无监督学习），以及在解决先前任务时获得的强大先验知识，并将这些知识转移到新任务中（迁移学习）。最后，人类社会建立了教育系统，精心挑选一些学习任务进行教学，以促进知识获取。为了在人工系统中有效地实例化这些概念，我们需要更深入地理解和数学形式化人类和其他动物如何进行无监督学习及知识如何在任务之间转移，这需要计算机科学家、心理学家和教育工作者的参与。因为这对于在标记数据稀缺的领域中训练AI是至关重要。
Taskonomy：斯坦福大学进行了26个不同的视觉任务之间迁移学习的研究。
建立理解，规划和主动因果学习的世界模型
当前AI在商业环境中的成功很多是通过监督方法实现的，其中AI系统被动地接收输入，被告知正确的输出，并且它调整其参数以匹配每个输入-输出组合。相比之下，婴儿就像活跃的科学家一样探索他们的环境。例如：利用魔术，婴儿会看到两个“魔法”物体：物体A，它似乎穿过墙壁，而物体B，它在掉落时不会掉落。给婴儿A，B，婴儿将尝试将物体A穿过墙壁，然后放下物体B以查看它是否会掉落。这项非凡的实验表明，婴儿就像科学家一样，积极地探索他们的世界。
因此，与当前大多数的商业AI系统不同，婴儿具有学习和利用世界模型的卓越能力。我们需要在神经科学和人工智能方面进一步研究从经验中学习世界模型，使用这些世界模型进行规划（即，根据当前行动想象不同的未来），并使用这些未来的计划来做出决策。这种基于模型的规划和决策可能是当前无模型强化学习系统的有力支持，该系统简单地将世界状态映射到值或预期的未来奖励。人工智能中的这项工作可以与神经科学的工作携手并进，揭示动物的神经活动如何与想象的和未来相关。像好奇心这样的基本驱动可以形式化为强化学习系统，以此来促进学习和探索。更一般地，深入理解多个系统和促进动物和人类学习的内在生物驱动可能对加速人工系统的学习非常有益。
科学家发现他的感官体验统计数据有变化
在后摩尔定律时代实现节能计算
生物系统和AI系统之间的另一个数量级差异在于它们的能量消耗。人脑仅消耗20瓦的功率，而超级计算机则以兆瓦的功率运行。造成这种差异的一个关键原因可能是过度依赖数字计算本身，虽然数字革命推动了现代信息技术的兴起，但现在我们对实现人工智能的追求被认为是次优遗留技术。原因是数字计算需要在计算的中间阶段以极高的可靠性翻转每一位。然而，热力学定律则为每个快速可靠的位翻转确定了相当大的能量成本。
相比之下，生物的细胞内的分子以及脑内神经元的计算看起来令人惊讶地嘈杂和不精确。然而，生物计算的每个中间步骤都足够可靠，以使最终答案足够好。此外，大脑智能地向上或向下调节能量成本根据所需的通信速度。例如，考虑大脑中通过目标神经元的单位的成本。它开始于囊泡的随机释放，其以1毫米/秒的速度扩散到源神经元和目标神经元之间的空间，仅燃烧2.3毫微微焦耳（fj）。速度刚刚好，因为神经元连接之间的空间只有20纳米。该化学信号被转换为无源电信号，其以1米/秒的速度流过神经元细胞体，燃烧23fj横穿约10微米。最后，它到达轴突终端并转换为长轴，沿着轴突每秒行进100米，燃烧6000 fJ行进1厘米。因此，在从化学信号传递到被动电信号时，大脑动态地将通信速度上调1000倍，以跨越增加1000倍的距离，从而导致能量消耗增加10倍。
因此，只有在需要更高速度且仅需要更高可靠性时，大脑才会消耗更多能量。相比之下，数字计算机在刚性同步时钟上运行，并且在每个时钟周期，许多晶体管必须可靠地翻转状态。总之，生物计算的明显混乱不一定是不可避免的混乱，而是可能反映出高能效设计的理想原则。为了在我们的AI硬件中实现这样的效率，遵循生物计算的这些原则可能是必要的。
Neurogrid：由斯坦福大脑开发的一种生物启发的神经形态计算机。
用于AI的神经科学和神经科学的AI：一种良性的科学螺旋
最近神经科学和AI之间相互作用促进了深度和递归神经网络模型的发展。在许多情况下，当训练深度或递归网络来解决任务时，其内部表现看起来与训练为解决相同任务的动物中测量的内部神经活动模式非常相似。因此，我们通常会在不同的任务中获得不同大脑区域操作的高度复杂但令人惊讶的真实模型，从而提出了一个基本问题：我们如何理解这些模型正在做什么以及它们如何工作？更确切地说，学习网络连接和神经动态如何产生高性能？AI目前在理解它的神经模型正在做什么时面临同样的问题，虽然一些工程师认为没有必要了解神经网络是如何工作的。然而，对于当前网络的成功和失败如何因其连通性和动态性而产生的更深入的科学理解将导致网络的优化。然而，科学与技术之间的相互作用历史上几乎没有更深入的科学认识，也不会导致更好的技术。但是，在AI的某些应用中，特别是在医学诊断或法律中，可解释的AI是必不可少的。例如，如果医生和法官无法理解为什么这些系统做出了他们做出的决定，他们就不会在他们的案件中使用人工智能系统的建议。
因此，神经科学需要共享理解网络性能和决策如何作为网络连接和动态的新兴属性。因此，理论神经科学，应用物理学和数学的思想和理论的发展可以帮助分析AI系统。此外，AI系统的行为可能会改变神经科学中实验设计的本质，将实验工作集中在AI中难以理解的网络功能方面。总体而言，神经科学，人工智能和许多其他理论学科之间的紧密联系可以获得很多灵感，这可能会为生物和人工系统中的智能的出现带来统一的规律。
任务驱动的视觉系统卷积循环模型可以同时执行机器视觉任务并解释猴子视觉系统的动态
寻求管理生物和人工智能的普遍规律
在人工智能系统设计中，一种经常被引用的无视生物学的争论常涉及到飞机与鸟类的比较。然而，仔细观察这个想法会发现更多的细微差别。飞行的一般问题涉及解决两个基本问题：（1）为了前进而产生推力，（2）升力的大小使我们不会脱离天空。鸟类和飞机用不同方法解决了推力问题：鸟儿拍翅膀和飞机使用喷气发动机。但是，它们以完全相同的方式解决升力问题，通过使用弯曲的翼形，在低于和低于上方的气压下产生更高的气压。因此，滑翔的鸟类和飞机的运作非常相似。
实际上，我们知道空气动力学的一般物理定律：不同形状通过空气时，都可以用计算的方法来预测产生的力，如升力和推力。而且，任何解决飞行问题的方法，无论是生物还是人工，都必须遵守空气动力学定律。
更一般地说，在我们对物理世界的研究中，我们习惯于存在管理其行为的原则或规律。例如，正如空气动力学控制飞行物体的运动一样，广义相对论控制着空间和时间的曲率，量子力学控制着纳米世界的演化。我们认为，可能存在普世原则或法律来管理智能行为如何从大型互连神经元网络的合作活动中产生。这些法律可以连接和统一神经科学、心理学、认知科学和人工智能的相关学科，他们的阐述也需要帮助分析和计算领域，如物理，数学和统计学。事实上，这篇文章的作者使用了动力系统理论、统计力学、黎曼几何、随机矩阵理论和自由概率理论等技术，获得了对生物和人工网络运作的概念性见解。然而，为了阐明管理非线性分布式网络中出现智能的一般规律和设计原则，还需要进一步的工作，包括开发新概念，分析方法和工程能力。最终，就像鸟类，飞机和空气动力学的故事一样，创造智能机器的问题可能存在多种解决方案，其中一些组件在生物解决方案和人工解决方案之间共享，而其他组件则可能不同。通过寻求一般的智力法则，发现适用于生物和人工系统的新兴智能的潜在法则，以及建立受神经科学和心理学启发的新型AI，需要许多研究人员共同努力：计算机科学家追求更好的AI系统，神经科学家，心理学家和认知科学家探索大脑和思想的属性，数学家，物理学家，统计学家和其他理论家寻求形式化我们的综合知识并发现一般的法律和原则。
本文由阿里云云栖社区组织翻译。
文章原标题《he_intertwined_quest_for_understanding_biological_intelligence_and_creating_artificial_intelligence》
作者：Surya Ganguli 译者：虎说八道，审校：。
文章为简译，更为详细的内容，请查看原文。
