冷泉港实验室(CSHL)的神经科学家托尼·扎多尔(Tony Zador)说，人工智能(AI)仍然需要从动物的大脑中学习很多东西。现在，他希望神经科学方面的经验教训可以帮助下一代人工智能克服一些特别困难的障碍。

医学博士安东尼·扎多尔(Anthony Zador)在其职业生涯中一直致力于描述构成单个活泼大脑的复杂神经网络，直至单个神经元。但是他开始了研究人工神经网络(ANN)的职业。ANN是最近AI革命背后的计算系统，受到动物和人脑中神经元分支网络的启发。但是，这种广泛的概念通常是灵感的来源。

在最近发表在《自然通讯》上的一篇观点文章 中 ，Zador描述了改进的学习算法如何使AI系统在越来越多的更复杂的问题(如国际象棋和扑克)上实现超人性能。但是，我们仍然认为最简单的问题困扰着机器。

解决这一悖论可能最终使机器人能够学习如何像跟踪猎物或筑巢一样做有机的事情，甚至像洗碗一样做人类和世俗的事情— Google首席执行官埃里克·施密特(Eric Sc​​hmidt)曾称这项任务 为 “字面上的第一要求” ……但对于机器人来说却是一个极其困难的问题。

“我们发现很难的东西，例如抽象思维或下棋，实际上对机器而言并不是难事。Zador解释说：“我们发现很容易做的事情，例如与物理世界进行交互，这就是很难的事情。” “我们认为这很容易的原因是，我们已经发展了半个十亿年的历史，已经将电路连接起来，因此我们可以毫不费力地做到这一点。”

这就是为什么Zador写道，快速学习的秘诀可能不是完美的通用学习算法。相反，他建议通过进化雕刻的生物神经网络提供了一种支架，以促进快速轻松地学习特定类型的任务，这些任务通常是对生存至关重要的任务。

例如，Zador指向您的后院。

“您的松鼠可以在出生后几周内从一棵树跳到另一棵树，但是我们没有老鼠学习相同的东西。为什么不?” 扎多尔说。“这是因为从基因上讲，一个人将成为树上的生物。”

Zador认为，这种遗传易感性的结果之一是先天性电路，可帮助指导动物的早期学习。但是，这些脚手架网络的普及程度远不如大多数AI专家追求的机器学习的灵丹妙药。扎多尔认为，如果人工神经网络识别并改编了类似的电路，那么未来的家用机器人可能一天之内就会用干净的盘子给我们带来惊喜。