CSHL神经透视论坛Zador展示了进化和动物大脑如何成为机器学习的丰富灵感来源，特别是为了帮助AI解决一些难以解决的问题，就…像做菜一样。
Cold Spring Harbor Laboratory（CSHL）神经透视师Tony Zador表示，人工智能（AI）仍然有很多东西可以从动物脑中学习。现在，他希望神经科学的课程可以帮助下一代人工智能克服一些特别困难的障碍。
安东尼萨达尔，M.D.，Ph.D.，他的职业生涯致力于描述融入神经元，这是构成生活大脑的复杂神经网络。但他开始了他的职业生涯，研究人工神经网络（Anns）。ANNS是最近的AI革命后面的计算系统，受到动物和人性大学中神经元的分支网络的启发。然而，这种广泛的概念通常是灵感结束的地方。
在最近发表于自然通信的透视件中，Zador描述了改进的学习算法如何允许AI系统在越来越多的更复杂问题上实现超人的性能，如国际象棋和扑克。然而，机器仍然被我们认为是最简单的问题所困难的。
解决这个悖论可能最终使机器人能够学习如何为有机作出有机，作为踩踏猎物或建造巢，甚至是人类和平凡的做法，因为做了谷歌首席执行官Eric Schmidt一旦被称为“字面上的一个请求的任务”但为机…器人来说是一个非常困难的问题。
“我们发现的事情很难，如抽象的思想或国际象棋，实际上不是机器的困难。我们发现容易的事情，就像与物理世界的互动一样，这就是很难的，“萨达尔解释道。“我们认为很容易的原因是我们有半十亿多年的进化，这已经有线了我们的电路，以便我们毫不费力地完成。”
这就是为什么Zador写道，快速学习的秘诀可能不是完善的一般学习算法。相反，他建议通过进化雕刻的生物神经网络提供一种脚手架，以便于为特定类型的任务进行快速简便地学习 - 通常是生存至关重要的。
例如，Zador指向您的后院。
“你有松鼠，可以在出生后几周内从树上跳到树上，但我们没有学习同样的事情。为什么不？”扎德说。“这是因为一个是遗传预定的，以成为树立的生物。”
萨达尔认为，这种遗传倾向的一个结果是有助于引导动物早期学习的先天电路。然而，这些脚手架网络的广泛性远远不如机器学习的感知灵活区域，大多数AI专家都在追求。如果ANNS确定和改编了类似的电路，Zador认为，未来的家用机器人可能只是有一天充满惊喜的美食。
