在神經科學與人工智能的交叉領域，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。作爲該領域的先驅者之一，Zador詳細闡述了他對NeuroAI未來發展的獨特見解。

從最初對"NeuroAI"這一術語的抗拒，到如今對這一領域充滿期待，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絡是緊密相連的領域。然而，隨着研究的深入，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。

大腦 大模型 AI

圖源備註：圖片由AI生成，圖片授權服務商Midjourney

在談到當前AI發展時，Zador提出了一個發人深省的觀點。他認爲目前備受關注的Transformer架構可能是NeuroAI成功的反例，因爲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，而不是對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一關鍵挑戰。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。相比之下，生物在進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發展的重要啓示。

在發育與學習方面，Zador提出了一個新穎的觀點。他認爲人類基因組可以被視爲神經迴路的"壓縮表示"，通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絡壓縮了100至1000倍，同時保持了原有性能。

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，比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，通過逐步解決子問題來實現複雜能力的獲得。

展望未來，Zador認爲課程學習可能是克服當前AI發展瓶頸的重要方向。通過將複雜任務分解爲更小的子任務，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加高效。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。

這場對話不僅展示了神經科學與人工智能的深度融合前景，更揭示了生物智能對人工智能發展的重要啓發。隨着研究的深入，這種跨學科的探索必將爲AI的未來發展提供更多洞見。