近日，DeepMind AI 博客发表了一篇讲述他们对人工智能研究和神经科学研究协作的看法的文章，文章中表明，他们认为这两个领域的合作不仅有好处，而且同样是迫在眉睫。

在学会玩Atari 游戏、下围棋等游戏之后，人工智能也取得了不错的成绩，它们生成的对话和手写文本几乎是和人类一样，这些进步要归功于新的统计方法和计算机计算能力的不断增加等一些原因。不过，在近期发表过的一篇文章中有这样一个观点：来自实验和理论神经科学的想法对人工智能的研究也有很大的帮助，却都被忽略了。

心理学和神经学科在AI的研究历程中也有不可忽视的作用，像Donald Hebb、Geoff Hinton等人最开始只是想要弄清大脑是如何工作的。然而实际上，在神经网络的发展过程中，起到重要作用的是心理学和神经生理学的研究者们，而大多都不是在数学和物理实验室中完成的。

DeepMind的研究人员们认为，即便这两个领域都在飞速发展，研究者也应当抱有这种远见。他们迫切的希望神经科学的研究者们可以和AI研究者们找到一种共同的语言，从而推动整个研究的进步。

DeepMind的研究人员们觉得可以从神经科学中获得灵感，是有原因的：第一，神经科学可以帮助验证已有的 AI 技术，这样的研究可能就是正确的方向；第二，它可以在构建人造大脑时为新的算法类型和架构提供丰富的启发。



如果说要造一个“睡觉”的智能体，这听起来给人感觉怪怪的，毕竟要在创造它们的人睡觉以后还能够琢磨问题才可以。不过，这种模式是DeepMind的deep-Q网络的关键部分，这种算法已经搞定了各种 Atari 2600游戏，并且表现远远超过人类。 这个DQN就通过存储一部分训练数据然后“离线”重看的方式模仿了“经验回放”。类似这样成功的实验让DeepMind的研究人员们有了很大的信心。放眼将来，需要他们帮助解决未解问题的时候，神经网络就变的不可或缺了。

想象力是人和动物都具有的一种非常重要的能力，丰富的想象力减少了很多的成本。举个简单的例子来说，我们规划假期，就要应用到我们对世界的了解，然后对未来的一些情况做出预测，并作出评估，决定我们的路线等问题。



另一件现代AI研究中的重要挑战是迁移学习，在这方面人类已经跟擅长了，随便一个会开车、会用电脑的人都能很轻松的应对不会开车、不会电脑的人。为了这种能力有应用的可能性，人类已经进行的初步的尝试。比如目前有一类“渐进网络”的新的网络架构，当你学会了一个游戏的时候，可以根据学到的知识玩其他的游戏，同样的架构可以把从模拟机器人身上学到的知识迁移到真实的机器人身上，这在很大程度上减少了训练时间。这些条件表明了在以后的研究中，AI有很多可以从神经网络上值得学习的机会。

DeepMind的研究人员们认为，知识的交换不应该是单向的，神经科学也可以从AI研究中获益。AI的研究者们可以从神经网络中创造新的技术，而神经科学家可以从人造智能体的行为中更好地学习如何阐释生物大脑。

所以DeepMind的研究人员们希望，可以成为创造新知识、推进科技探索前沿的工具，让大家理解到自己的大脑中都发生了什么，这可能就是最难解的问题了。前面有这么多的难题等着解决，所以让神经科学和人工智能联手向前已经变得非常紧迫。