本文節錄自Brain Inspired播客對神經科學家Anthony Zador的採訪，探討了神經科學與人工智慧（NeuroAI）交叉領域的前沿問題。 Zador教授以其獨特的視角，深入剖析了NeuroAI的過去、現在與未來，並對當前AI發展趨勢提出了富有見地的評論，尤其關注了多目標協調、發育學習以及模擬到現實的轉換等關鍵挑戰，為AI未來的發展方向提供了寶貴的啟示。
在神經科學與人工智慧的交叉領域，著名神經科學家Anthony Zador與Brain Inspired播客主持人Paul Middlebrooks展開了一場深度對話。作為該領域的先驅者之一，Zador詳細說明了他對NeuroAI未來發展的獨特見解。
從最初對"NeuroAI"這個術語的抗拒，到如今對這領域充滿期待，Zador的轉變源於對問題本質的深入思考。他指出，在80-90年代，計算神經科學與人工神經網路是緊密相連的領域。然而，隨著研究的深入，他意識到僅僅關注神經迴路的動態特徵是遠遠不夠的，更重要的是要理解這些迴路如何幫助生物體解決實際問題。
在談到當前AI發展時，Zador提出了一個發人深省的觀點。他認為目前備受關注的Transformer架構可能是NeuroAI成功的反例，因為它與大腦的工作方式幾乎毫無相似之處。他解釋說，ChatGPT的成功主要歸功於語言系統的封閉性特徵，而不是人類認知過程的真實模擬。
對於AI未來發展方向，Zador特別強調了多目標協調這項關鍵挑戰。他指出，現有的AI系統擅長優化單一目標，但在處理多個目標時往往表現不佳。相較之下，生物在演化過程中形成了精妙的機制來平衡覓食、逃生、繁殖等多重目標。這種平衡機制的實現方式，或許正是未來AI發展的重要啟示。
在發展與學習方面，Zador提出了一個新穎的觀點。他認為人類基因組可以被視為神經迴路的"壓縮表示"，透過遞歸規則實現複雜結構的生成。這種觀點得到了他最新研究的支持，他的團隊成功將大型神經網路壓縮了100至1000倍，同時保持了原始效能。
關於機器人技術的發展，Zador強調了從模擬到現實（sim-to-real）轉換的困難性。他指出，生物系統在這方面展現出驚人的適應能力，例如體型差異巨大的犬類仍能共享相似的神經發育指令。這種適應性的背後，是一個精心設計的發育過程，透過逐步解決子問題來實現複雜能力的獲得。
展望未來，Zador認為課程學習可能是克服當前AI發展瓶頸的重要方向。透過將複雜任務分解為較小的子任務，並按照合理的順序逐步學習，AI系統可能會比直接學習最終目標更有效率。這種方法不僅可能加快學習速度，還可能提高系統在面對現實世界變化時的適應能力。
這場對話不僅展現了神經科學與人工智慧的深度融合前景，也揭示了生物智慧對人工智慧發展的重要啟發。隨著研究的深入，這種跨領域的探索必將為AI的未來發展提供更多洞見。
Zador教授的觀點為人工智慧領域的研究指明了新的方向，並強調了從生物智能中汲取靈感的重要性。未來，NeuroAI的持續發展有望解決當前AI面臨的諸多挑戰，並最終推動人工智慧技術的突破性進展。