在20世纪初建造世界上第一架飞机的过程中，莱特兄弟从鸟类“富有洞察力的”运动中获得了灵感。他们观察并逆向设计了自然界中翅膀的各个方面，这反过来又帮助他们在空气动力学和推进方面做出了重要的发现。
同样，要制造会思考的机器，为什么不从我们两耳之间的三磅物质中寻找灵感呢?人工智能的先驱、图灵奖的获得者杰弗里·辛顿(Geoffrey Hinton)似乎同意这个观点:“我一直认为，让人工智能发挥作用的唯一方法，就是用类似人类大脑的方式进行计算。”
那么，人工智能(AI)的下一步是什么?下一波人工智能会受到生物学快速发展的启发吗?在分子水平上理解大脑回路的工具能让我们对人类思维如何运作有一个更高的系统层次的理解吗?
答案很可能是肯定的，在学习生物系统和开发人工系统之间的思想交流实际上已经持续了几十年。
机器学习的起源:人类脑科学
首先，生物学和机器学习有什么关系?你可能会惊讶地发现，机器学习的进步在很大程度上源于心理学和神经科学的洞见。强化学习(RL)是机器学习的三种范式之一(另外两种是监督学习和非监督学习)，它起源于20世纪40年代的动物和认知神经科学研究。RL是当今一些最先进的人工智能系统的核心，比如广为宣传的AlphaGo，它是领先人工智能公司谷歌DeepMind开发的人工智能代理。AlphaGo在围棋比赛中击败了世界顶级棋手。围棋是一种中国棋类游戏，棋盘组合比宇宙中的原子还多。
尽管AlphaGo在围棋比赛中表现出了超人的能力，但它的人类对手仍然拥有比它多得多的智力。他会开车，会说外语，会踢足球，在任何环境下都能完成无数其他的任务。目前的人工智能系统在很大程度上无法利用学到的知识来玩扑克，并将其转移到其他任务上，比如玩《妙探寻凶》(Cluedo)游戏。这些系统专注于单一、狭窄的环境，需要大量的数据和培训时间。尽管如此，他们还是会犯一些简单的错误，比如把吉娃娃当成松饼!
儿童和人工智能系统有什么共同点
与儿童学习类似，强化学习基于人工智能系统与其环境的交互作用。它采取行动，寻求最大限度的奖励和避免惩罚。在好奇心的驱使下，孩子们是积极的学习者，他们会同时探索周围的环境，预测自己的行为结果，从而建立起随意思考的心智模型。例如，如果他们决定推红色的车，打翻花瓶，或者爬向另一个方向，他们会根据行动的结果调整自己的行为。
孩子们会体验到不同的环境，他们会发现自己在不同的环境中，以不同寻常的方式，与各种情境和物体的性情进行导航和互动。就像孩子大脑发育可以激发人工智能系统的发展,RL代理的学习机制是平行于大脑的学习机制由释放多巴胺,一种神经递质中枢神经系统的关键——火车前额叶皮层响应的经验,因此形状刺激反应协会以及结果的预测。
合成生物学和人工智能
生物学是人工智能最有希望的受益者之一。从研究导致肥胖的令人难以置信的基因突变组合，到研究导致某些细胞失控并产生癌症的错综复杂的途径，生物学产生了大量复杂、令人费解的数据。但是这些数据集中包含的信息通常提供了有价值的见解，可以用来改善我们的健康。
在合成生物学领域，工程师们试图“重新连接”活的有机体，并用新功能对它们进行编程，许多科学家正利用人工智能设计更有效的实验，分析它们的数据，并利用它们创造突破性的疗法。我最近特别提到了五家公司，它们正在把机器学习与合成生物学结合起来，为更好的科学和更好的工程铺平道路。
人工一般智能:人工智能的圣杯
人工一般智能(AGI)描述了一种能够模仿类人能力(如计划、推理或情感)的系统。数十亿美元已经投入到这个令人兴奋的、潜在利润丰厚的领域，导致一些人声称“数据就是新石油”。
在众多致力于通用人工智能的公司中，有谷歌的DeepMind、瑞士人工智能实验室IDSIA、Nnaisense、Vicarious、Maluuba、OpenCog Foundation、Adaptive AI、LIDA和Numenta。像机器智能研究所和OpenAI这样的组织也将AGI作为他们的主要目标。国际人类大脑项目的目标之一是模拟人类大脑。
尽管实现AGI所需的人才、工具和高质量数据越来越多，但我们仍有很长的路要走。
人工智能在我们的日常生活中
今天，像机器学习(ML)这样的人工智能技术在我们的社会中无处不在，从医疗、制造到交通和战争，但它们被称为“狭义人工智能”。他们确实处理和学习了大量的数据，以识别单个任务中有洞察力和信息丰富的模式，比如预测机票价格、在图像中区分狗和猫，以及在Netflix上生成您的电影推荐。
在生物学领域，人工智能也在改变你的医疗保健。它正在产生更多更好的候选药物(Insitro)，测序你的基因组(Veritas Genetics)，越来越早地检测你的癌症(Freenom)。
我们将何去何从?
作为人类，我们能够在一个环境中快速获取知识，并将其推广到另一个环境中，跨越新的多种情况和任务，这将允许我们开发更高效的自动驾驶汽车系统，因为它们需要在道路上同时执行许多任务。在人工智能研究中，这一概念被称为转移学习。它帮助人工智能系统从几个例子中学习——而不是传统计算系统通常需要的数百万个例子——来构建一个从基本原理中学习、抽象所获得的知识并将其概括为新的任务和上下文的系统。
为了制造出更高级的人工智能，我们需要更好地理解大脑的内部工作机制，从而能够描绘出我们周围的世界。在理解生物智能和创造人工智能之间有一个协同的任务，从我们的大脑中寻找灵感可能会帮助我们弥合这个差距。
——文章发布于2019年11月28日
