“NeuroAI”是“神经科学”和“AI”（人工智能）的合成词，正在兴起。直到大约五年前，它几乎闻所未闻，但现在已成为一个“热门”研究领域，并且是越来越多的研讨会、会议和学术项目的主题，其中包括BRAIN-Initiative 赞助的研讨会从明天开始。这些学科的交织几乎是不可避免的。一方面，人工智能的目标是复制智能行为，而实现这一目标的最直接途径是对大脑进行逆向工程。另一方面，神经网络代表了迄今为止最接近的分布式类脑计算模型，它具有独特的解决复杂问题的能力。
在这里，在第一个正在进行的NeuroAI系列文章，我将探讨人工智能和神经科学共同进化的历史，以及这些领域之间持续的共生如何创造并继续形成良性循环。
NeuroAI 一词没有单一的定义，但它在很大程度上指的是两个相关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，特别是使用神经网络作为大脑的计算模型，它提供了一种具体而严格的方法来测试有关神经元集合如何计算的其他可能模糊的假设。正如理查德·费曼 (Richard Feynman) 的名言所言：“我无法创造的东西，我就无法理解”，人工神经网络可以说是测试我们是否真正理解大脑如何执行计算的最佳模型。
其次，神经人工智能是指利用神经科学的见解来构建更好的人工智能系统。许多人工智能研究的根本目标是构建能够完成人类能做的任何事情的人工系统，人工智能工程师长期以来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——形成了一个积极的反馈循环，加速了这两个领域的进步。
人工智能还可以用于在大型神经科学数据集中查找结构或用于自动化数据分析。这深实验室切割例如，该程序使研究人员能够自动跟踪动物的运动。此类应用很重要，但它们与人工智能在任何其他领域（例如蛋白质折叠或图像识别）的应用没有本质上的不同，因此通常不包含在术语“NeuroAI”中。
时间
神经科学和计算之间的联系可以追溯到现代计算机科学的基础。约翰·冯·诺依曼 1945 年的开创性报告概述了第一个计算机架构，埃达克，用了一整章来讨论所提出的系统是否足够像大脑。值得注意的是，这份文件中唯一的引用是 Warren McCulloch 和 Walter Pitts，1943 年纸，这被广泛认为是第一篇关于神经网络的论文。神经科学和计算机科学之间的这种早期交叉授粉为数十年的相互灵感奠定了基础。
在此基础上，弗兰克·罗森布拉特 (Frank Rosenblatt) 于 1958 年推出了感知器。这里的关键突破是当时具有革命性的想法，即神经网络应该从数据中学习，而不是进行显式编程。因此，感知器架构将突触连接建立为人工神经网络中学习的主要场所。（罗森布拉特的另一项重大成就是精心策划了对这一进展的广泛媒体报道，包括发表在纽约时报1958 年，标题为 –电子“大脑”自学— — 这是多轮所谓“人工智能炒作周期”的第一个例子。）
突触可塑性的概念深受神经科学家的影响，例如 Donald Hebb，他在 1949 年强调了突触的重要性作为学习和记忆的物理场所。赫布突触是 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（以约翰·霍普菲尔德 (John Hopfield) 的名字命名，他与杰弗里·辛顿 (Geoffrey Hinton) 一起荣获诺贝尔物理学奖今年）。虽然感知器本身并没有作为一种可行的架构持续存在——Marvin Minsky 和 Seymour Papert 的 1969 年书籍章节——感知器— 暴露了单层感知器的局限性，并引发了第一个“神经网络冬天”——受神经科学启发的核心思想，即突触是神经网络的可塑元素或自由参数，仍然存在对于现代人工智能来说绝对是核心。
中号
任何后续的成功案例人工神经网络与生物神经网络之间共生的研究也随之而来。也许最值得庆祝的是卷积神经网络（CNN），它为当今许多最成功的人工视觉系统提供了动力，并且灵感来自 David Hubel 和 Torsten Wiesel 的模型四十多年前的视觉皮层
另一个全垒打是强化学习的故事，它推动了突破性的人工智能成就，包括 Google DeepMind 的冠军级游戏引擎阿尔法零。最近，概念辍学Ø 在人工神经网络中取得了显着的地位。这种技术——在训练过程中随机停用人工网络的单个神经元以防止过度拟合——从大脑对随机过程的使用中汲取灵感。通过模仿神经元偶尔失火的情况，dropout 鼓励网络开发出更强大、更有弹性的表示。
值得注意的是，人工智能和神经科学之间的关系是真正的互利共生，而不是寄生关系。人工智能使神经科学受益，就像神经科学使人工智能受益一样。例如，人工神经网络是许多最先进技术的核心视觉皮层模型。这些模型在解决复杂感知任务方面的成功引发了关于大脑如何执行类似计算的新假设。人工“深度”强化学习是一种受神经启发的算法，将深度神经网络与试错学习相结合，提供了另一个令人信服的例子。它不仅推动了突破性的人工智能成就（包括阿尔法狗，在围棋游戏上取得了超人的表现），也引发了一场更好的理解大脑中的奖励系统。
神经科学和人工智能之间持续的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更加复杂，它们可以深入了解大脑功能；随着我们对大脑功能的了解不断加深，它激发了新的算法，突破了人工系统能力的界限。随着 NeuroAI 的发展，它有望加速我们对生物和人工领域智能的理解，加强这两个学科之间的深刻而持久的联系。这个正在进行的论文系列将探讨这些进展和它们对大脑提供的见解，以及它们提出的一些实际和伦理问题。
要了解有关 NeuroAI 未来的更多信息，请阅读我的第二篇文章 –大脑可以教人工神经网络什么. –