在神经科学与人工智能的交汇处，知名神经科学家Anthony Zador与Brain Inspired播客的主播Paul Middlebrooks进行了一场深入的探讨。作为该领域的先驱之一，Zador分享了他对NeuroAI未来发展的独到见解。

从最初对“NeuroAI”这一术语的排斥，转变为对这一领域充满期待，Zador的转变源于对问题本质的深刻思考。他指出，在80-90年代，计算神经科学与人工神经网络是紧密相连的。但随着研究的深入，他认识到，仅仅关注神经回路的动态特征是不够的，更重要的是理解这些回路如何帮助生物体解决实际问题。

大脑 大模型 AI

图源备注：该图片由AI生成，图片授权来自Midjourney

在讨论当前AI发展时，Zador提出了一个引人深思的观点。他认为目前备受关注的Transformer架构可能是NeuroAI成功的反例，因为它与大脑的工作方式几乎毫无相似之处。他解释说，ChatGPT的成功主要得益于语言系统的封闭性特征，而非对人类认知过程的真实模拟。

对于AI的未来发展方向，Zador特别强调了多目标协调这一关键挑战。他指出，现有的AI系统擅长优化单一目标，但在处理多个目标时往往表现不佳。相比之下，生物在进化过程中形成了精妙的机制来平衡觅食、逃生、繁殖等多重目标。这种平衡机制的实现方式，或许正是未来AI发展的重要启示。

在讨论发育与学习方面，Zador提出了一个新颖的观点。他认为人类基因组可以被视为神经回路的“压缩表示”，通过递归规则实现复杂结构的生成。这一观点得到了他最新研究的支持，他的团队成功将大型神经网络压缩了100至1000倍，同时保持了原有性能。

谈及机器人技术的发展，Zador强调了从模拟到现实（sim-to-real）转换的难度。他指出，生物系统在这方面展现出惊人的适应能力，如体型差异巨大的犬类仍能共享相似的神经发育指令。这种适应性的背后，是一个精心设计的发育过程，通过逐步解决子问题来实现复杂能力的获得。

展望未来，Zador认为课程学习可能是克服当前AI发展瓶颈的重要方向。通过将复杂任务分解为更小的子任务，并按照合理的顺序逐步学习，AI系统可能会比直接学习最终目标更加高效。这种方法不仅可能加快学习速度，还可能提高系统在面对现实世界变化时的适应能力。

这次对话不仅揭示了神经科学与人工智能融合的前景，也展示了生物智能对人工智能发展的重要启示。随着研究的深入，这种跨学科的探索将为AI的未来发展带来更多洞见。