神经科学新领域——NeuroAI

正如这门新兴学科的历史所揭示的那样，神经科学激发了人工智能的进步，而人工智能为神经科学的模型提供了一个试验场，加速了这两个领域的进步。

　　

随着神经科学与人工智能的融合，一个新兴的研究领域——“NeuroAI”正在迅速崛起。五年前，这个概念还鲜为人知，如今却已成为热门话题，频繁出现在研讨会、会议和学术项目中。这一趋势将在明天由brain initiative赞助的研讨会上得到进一步的探讨。

神经科学与人工智能的结合似乎是不可避免的。人工智能旨在模拟智能行为，而最直接的途径就是对大脑进行逆向工程。同时，神经网络作为分布式类脑计算的模型，具有解决复杂问题的独特能力。

本文作为神经人工智能系列文章的开篇，将探讨人工智能与神经科学的共同进化历史，以及这两个领域之间如何形成共生关系，创造并维持一个良性循环。

“神经人工智能”这一术语并没有统一的定义，但它主要涉及两个相互关联且部分交织的研究项目。首先，它指的是人工智能在神经科学中的应用，特别是利用神经网络作为大脑的计算模型，为测试神经元集合如何进行计算提供了一种具体而严格的方法。正如理查德·费曼所言：“我不能创造的东西，我不理解”，人工神经网络成为了测试我们对大脑计算理解的最佳模型。

其次，NeuroAI还涉及利用神经科学的见解来构建更先进的人工智能系统。人工智能研究的核心目标是创建能够执行人类所能做任何事情的人工系统，而人工智能工程师一直在从神经科学中寻找灵感。这两个研究项目——神经科学激发了人工智能的进步，而人工智能为神经科学模型提供了试验场——形成了一个正反馈循环，加速了这两个领域的进展。

人工智能在神经科学中的应用不仅限于此，它还可以用于寻找大型神经科学数据集的结构或自动化数据分析。例如，DeepLabCut程序使研究人员能够自动跟踪动物的运动。尽管这些应用很重要，但它们与人工智能在其他领域的应用（如蛋白质折叠或图像识别）没有本质区别，因此通常不包括在“神经人工智能”的定义中。

神经科学与计算机科学的联系可以追溯到现代计算机科学的起源。约翰·冯·诺伊曼在1945年的开创性报告中，用了整整一章来讨论EDVAC计算机架构是否足够类似于大脑。这份文件中唯一引用的是沃伦·麦卡洛克和沃尔特·皮茨在1943年发表的论文，该论文被广泛认为是关于神经网络的第一篇论文。这种早期的交叉授粉为几十年的相互启发奠定了基础。

在此基础上，Frank Rosenblatt在1958年引入了感知机，这是当时革命性的想法，即神经网络应该从数据中学习，而不是被明确编程。感知器架构因此建立了突触连接作为人工神经网络学习的主要场所。这一进展得到了广泛的媒体报道，包括1958年《纽约时报》上发表的一篇题为《电子“大脑”自学》的文章。

突触可塑性的概念深受神经科学家如唐纳德·赫布的影响，他在1949年强调了突触作为学习和记忆的物理位置的重要性。赫比突触是Hopfield网络的核心，Hopfield网络是20世纪80年代极具影响力的神经网络模型。尽管感知器本身并没有作为一种可行的架构持续存在，但神经科学启发的核心思想——突触是神经网络的可塑元素或自由参数——仍然是现代人工智能的绝对核心。

后续的成功故事，如卷积神经网络（CNN），为当今许多最成功的人工视觉系统提供动力，受到David Hubel和Torsten Wiesel四十多年前的视觉皮层模型的启发。另一个突破是强化学习，它推动了包括谷歌DeepMind的AlphaZero在内的突破性人工智能成就。最近，“dropout”的概念在人工神经网络中得到了突出的体现，这种技术通过模仿神经元偶尔的失误，鼓励网络发展出更强大、更有弹性的表征。

值得注意的是，人工智能和神经科学之间的关系是真正互惠的。人工神经网络不仅是许多最先进的视觉皮层模型的核心，而且它们的成功引发了关于大脑如何进行类似计算的新假设。人工“深度”强化学习是一种神经启发的算法，它将深度神经网络与试错学习相结合，不仅推动了突破性的人工智能成就，还促进了对大脑奖励系统的更好理解。

神经科学和人工智能之间的持续相互作用继续推动这两个领域的变革性进步。随着人工神经网络模型变得越来越复杂，它们提供了对大脑功能的洞察；随着我们对大脑功能理解的增加，它激发了新的算法，突破了人工系统的能力界限。随着NeuroAI的发展，它有望加速我们对生物和人工智能领域的理解，加强这两个学科之间深刻而持久的联系。这个系列文章将探讨这些进展及其对大脑提供的见解，以及它们引发的实际和伦理问题。