人工智能的最新進展引人注目。人工系統在 Atari 視頻游戲、古老的棋類游戲圍棋以及撲克游戲中已經優于人類專業玩家。它們還可以生成與人類無差別的筆跡和語音、在多種語言之間翻譯，甚至將你的假期照片用梵高的風格進行風格重塑。

這些進步可以歸結為幾個因素，包括新型統計方法的使用和計算機計算能力的增長。但是我們最近在 Neuron 雜志發表的觀點認為，有一個因素經常被忽視，即實驗神經科學和理論神經科學的貢獻。

心理學和神經科學在人工智能的發展史上起著關鍵作用。人工智能的奠基人物諸如 Donald Hebb、Warren McCulloch、Marvin Minsky 以及 Geoff Hinton，最初都是被想要理解人腦工作原理的愿望所激勵。事實上，在整個 20 世紀末期，大部分開發神經網絡的關鍵工作并沒有發生在數學或者物理實驗室，而是在心理學和神經生理學系。

正因為如此重要，香港服務器 香港服務器租用，將神經科學領域和人工智能領域結合起來的需求比以往任何時候都更加迫切。

在 DeepMind，我們認為，盡管這兩個領域都得到了快速發展，但是研究人員不應該忽視這個觀點。我們督促神經科學和人工智能領域的研究者們去尋求一種能夠讓知識自由流動的共同語言，讓知識的自由流動來推動這兩個領域持續向前發展。

對人工智能研究來說，從神經科學汲取靈感是非常重要的，我們認為有兩個原因：第一，神經科學能夠幫助驗證已經存在的人工智能技術。簡而言之，如果我們發現我們的一種人造算法能夠模仿人腦中的某個功能，這表明我們的方法或許在正確的方向上了。第二，在構建人造大腦的時候，神經科學可以為新型的算法和結構提供豐富的靈感來源。歷史上，傳統的人工智能方法都是由基于邏輯的方法和基于理論數學的模型所主導。我們認為神經科學可以通過識別可能對認知功能很關鍵的生物計算類別對此進行補充。

以一個最近在神經科學領域的重要發現為例：離線體驗「回放」的發現。在睡眠或者安靜休息的時候，生物大腦會「回放」由早期活躍時段生成的神經活動。例如，當老鼠穿過迷宮的時候，「地方」單元隨著老鼠的運動會激活。在休息的時候，在老鼠的大腦中觀察到了相同的神經活動序列，貌似老鼠會在精神上重新想象它之前的活動，并用它們去優化未來的行為。事實上，對回放的干擾會損害它們后來進行同樣任務時的表現。

「回放」是 DQN 的關鍵元素，DQN 是一個通用智能體（general-purpose agent），它能夠持續地調整自己的行為來適應新的環境

乍一看，構建一個需要「睡眠」的人工智能體似乎是反直覺的——畢竟，它們應該在它們的程序員睡覺之后在一個可計算的問題上耗很多時間。但是這個原則卻是我們的 deep-Q Network（DQN）的關鍵部分，這是一個僅僅依靠原始像素和分數作為輸入，通過學習能夠把 Atari 2600 游戲掌握到超過人類的水平的算法。DQN 通過存儲一個它能夠離線「回顧」的訓練數據的子集來模仿「經驗回放」，這使得它能夠從過去的失敗和成功中學習到新的東西。

這樣的成功給了我們信心，神經科學早已成為人工智能思想的重要源泉。展望未來，我們相信神經科學在幫助我們處理一些仍未解決的問題上會變得不可或缺，例如高效學習、理解物理世界和想象力。

想象力對人類和動物來說一個十分重要的功能，想象力允許我們在仍未發生的情況下就可以規劃未來，當然這是有代價的。舉個簡單的例子，比如規劃一個假期。為了做到這件事，我們要利用我們關于這個世界的知識或者「模型」，并且用它來及時地推進或者評估未來的狀態。這允許我們計算需要走的路徑，或者打包在晴天穿的衣服。盡管人類神經科學的前沿研究正在開始揭示支撐這種思維的計算系統和機制，韓國云服務器 美國云主機，但是很多這種新的理解尚未在人工模型中得到應用。

神經科學領域和人工智能領域有一個漫長且相互交織的歷史

當下人工智能研究的另一個重要挑戰就是遷移學習。為了能夠高效應對新情況，人工智能體需要在現有知識的基礎上構建作出明智決策的能力。人類早已精于此道：人可以開汽車、使用筆記本或者能夠主持一個會議，此外，在面對不熟悉的車輛、操作系統或者社會環境的時候人類通常也能夠有效應對。

朝著理解這種情況如何發生在人工智能系統中這個目標，研究者現在開始邁出了第一步。例如，一種叫做「漸進網絡（progressive network）」的新型網絡結構能夠利用在一個視頻游戲中習得的知識去學習另外一個視頻游戲。在從仿真機器臂向現實手臂遷移知識的場景中也使用相同的結構，這大大地縮短了訓練時間。有趣的是，這些網絡與人類的連續任務學習模型有某些相似之處。這些聯系表明未來的人工智能研究非常有可能從神經科學的工作中學習到一些東西。