DeepMind 的研究人員們覺得 AI 研究中一個重要的因素是從神經科學中獲得靈感，有兩個原因。首先，神經科學可以幫助驗證已有的 AI 技術。簡單來說，如果研究者們發現的某些演算法能夠模仿大腦中的某個功能，這很有可能意味著這些研究是想著正確的方向去的。第二條原因是，神經科學可以在構建人造大腦時為新的演算法型別和架構提供豐富的啟發。以往的 AI 實現方案几乎都是基於邏輯的方法和理論性的數學模型，DeepMind 的研究人員們認為神經科學可以發現多種可能對認知功能起到關鍵作用的生物計算方式，這樣就可以對現有的方法和模型做出補充。
另一件現代 AI 研究中的重要挑戰是遷移學習，為了能夠高效地應對新的狀況，人造智慧體們需要這種在現有知識基礎上做出合理決定的能力。這方面人類已經很擅長了，隨便一個會開車、會用電腦、能主持會議的人在面對不熟悉的汽車、不熟悉的作業系統、不熟悉的社交狀況的時候都能夠對付得來。
為了研究把這種能力賦予人造系統的可能性，研究者們已經開始著手做初步的嘗試。比如一類稱作 "漸進網路" 的新的網路架構就可以學會一個電腦遊戲以後，根據這些知識學會玩另一個遊戲。同樣的架構也可以用來把從模擬機器人手臂上學到的知識遷移到真實的機器手臂上，極大地減少了訓練時間。有意思的是，這些網路跟人類的序列學習模型有一些共同點。這些誘人的聯絡表明了未來的 AI 研究會有很多從神經科學的研究中學習的機會。
不過 DeepMind 的研究人員們認為知識的交換不應該是單向的，神經科學也可以從 AI 研究中獲益。比如強化學習這一現代 AI 研究的主要方法之一，最開始來自於心理學領域的動物學習理論，然後被機器學習的研究者們發揚光大。這些想法後來也反哺回了神經科學研究中，幫助我們理解一些神經生理學現象，比如哺乳動物基底神經節中多巴胺神經元的啟用特性。
這種來回交流對兩個領域藉助對方的見解不停發展至關重要，從而構建了一個正向的迴圈，其中 AI 研究者運用神經科學的想法構建新的技術，神經科學家可以從人造智慧體的行為中更好地學習如何闡釋生物大腦。確實，這樣的迴圈能夠得到加速，近期的技術發展功不可沒，比如光遺傳學就可以讓我們精確地測量和控制大腦活動，從中獲取的大量資料還可以用機器學習領域的工具進行分析。
所以 DeepMind 的研究人員們認為把智慧轉化為演算法，然後把演算法和人類大腦相比較，已經成為當前至關重要的事情。他們希望 AI 可以成為創造新知識、推進科技探索前沿的工具，那麼這樣的做法不僅可以支援對 AI 的研究，更可以讓大家更加理解自己的大腦中都發生了什麼。這有可能照亮神經科學中最難解的神秘問題，比如創造力和夢的本質，甚至有一天可以解釋意識是怎麼回事。面對著這麼多難題，讓神經科學和人工智慧聯手向前已經變得前所未有地緊迫。
神經科學會成為人工智慧的另一個重要支撐點嗎？
神經科學：是指尋求解釋神智活動的生物學機制，即細胞生物學和分子生物學機制的科學。神經科學尋求瞭解在發育過程中裝配起來的神經迴路是如何感受周圍世界、如何實施行為的，它們又如何從記憶中找回知覺，一旦找回之後，它們還能對知覺的記憶有所作用。神經科學也尋求瞭解支援我們情緒生活的生物學基礎，情緒如何使我們的思想改變顏色，以及當情緒、思想及動作的調節發生扭曲時為什麼會有抑鬱、狂躁、精神分裂症和阿爾茨海默症等病症。這都是些極端複雜的問題，其複雜程度遠遠超過任何我們在其他生物學領域中曾經面對的問題。
人工智慧（Artificial Intelligence）：英文縮寫為AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。
人工智慧的定義可以分為兩部分，即“人工”和“智慧”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智慧程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。
雷鋒網 AI 科技評論按：繼神經科學家成為機器學習領域會議的邀請演講的常客以後，DeepMind AI 部落格今天也發出了一篇文章講述他們對人工智慧研究和神經科學研究協作的看法。他們覺得兩個領域的協作不僅很有好處，而且現在已經變得緊迫。雷鋒網 AI 科技評論編譯如下。
人工智慧近期取得了舉世矚目的成果，在學會玩 Atari 遊戲、下圍棋、德州撲克以後，它們現在生成的手寫文字和對話也幾乎跟人類的一樣，可以做多種語言的翻譯，甚至可以把生活照片變得和梵高的大作一樣。這些進步要歸功於新的統計方法和計算機不斷增加的計算能力等一些原因。不過在一篇近期發表於「神經元」期刊的文章中，DeepMind 的研究者們提出了這樣的一個觀點：來自實驗和理論神經科學的想法對人工智慧研究也大有幫助，而且往往被忽視了。
心理學和神經科學在 AI 的發展歷程中扮演過重要的角色。Donald Hebb、Warren McCulloch、Marvin Minsky、Geoff Hinton 這些奠基人一開始的動力都是想要弄清大腦是如何工作的。然而實際上，從上個世紀晚期以來，在神經網路發展過程中起到重要作用的研究大多數都不是在數學和物理實驗室中完成的，而要歸功於心理學和神經生理學學科的研究者們。
在充滿了挑戰的現在，神經科學和人工智慧領域攜手研究的需求前所未有地強烈。
DeepMind 的研究人員們認為，即便這兩個領域都在飛速發展，研究者也應當抱有這種遠見。他們急切地希望神經科學的研究者們可以和人工智慧的研究者們一起找到一種共同的語言，可以讓知識在兩個領域之間自由地流動，從而推動兩個領域內研究的長期共同進步。
DeepMind 的研究人員們覺得 AI 研究中一個重要的因素是從神經科學中獲得靈感，有兩個原因。首先，神經科學可以幫助驗證已有的 AI 技術。簡單來說，如果研究者們發現的某些演算法能夠模仿大腦中的某個功能，這很有可能意味著這些研究是想著正確的方向去的。第二條原因是，神經科學可以在構建人造大腦時為新的演算法型別和架構提供豐富的啟發。以往的 AI 實現方案几乎都是基於邏輯的方法和理論性的數學模型，DeepMind 的研究人員們認為神經科學可以發現多種可能對認知功能起到關鍵作用的生物計算方式，這樣就可以對現有的方法和模型做出補充。
舉一個近期的例子，經驗的離線 " 回放 " 就是神經科學界的啟發性的發現。生物大腦在活動期間會產生一些神經活動，然後在之後的睡眠或者安靜休息的時候，大腦就會 " 回放 " 這些活動的短期模式。比如，當老鼠穿過迷宮的時候，跟地點相關的細胞就會在老鼠四處移動的過程中一直活動。等到老鼠休息的時候就可以再次在它的大腦中觀察到同樣的神經活動序列，彷彿老鼠們正在腦中想象它們當時的行動，然後用它們來最佳化未來的行為。這種猜測也得到了證實，如果幹擾它們的 " 回放 " 過程，就會影響它們稍後再次進行同樣任務時的表現。
DQN 網路是一類通用智慧體，它們可以持續地讓自己的行為適應新環境，而 " 回放 " 就是 DQN 網路中的關鍵元素
如果說要造一個需要 " 睡覺 " 的智慧體，聽起來彷彿怪怪的，畢竟它們本來應該在製造它們的人睡覺以後還要能夠反覆琢磨計算問題才行。不過這種模式是DeepMind 的 deep-Q 網路的關鍵部分，這個演算法已經學會了搞定各種 Atari 2600 遊戲，表現遠超人類，還僅僅需要原始的顯示畫素點和遊戲分數作為輸入就可以做到。這個 DQN 就透過儲存一部分訓練資料然後 " 離線 " 重看的方式模仿了 " 經驗回放 "，讓它能夠再次從以往的成功或失敗中學習。
想象力是人類和動物具有的一種非常重要的能力，讓我們無需行動就可以對未來情境做出規劃，避免了不少成本付出。舉個簡單的例子，比如規劃假期，我們就要運用我們對世界的知識（腦內的 " 模型 "），然後靠它對未來會發生什麼做出預測，評估未來的狀況，這樣我們就可以決定要選哪條路、或者要裝哪些晴朗的天氣裡穿的衣服。最前沿的人類神經科學研究已經開始能夠揭露這種思考方式背後的計算和系統機制，但是真正應用到人工智慧模型中的這些新理解還非常少。
神經科學和人工智慧之間的歷史故事悠久纏綿
另一件現代 AI 研究中的重要挑戰是遷移學習，為了能夠高效地應對新的狀況，人造智慧體們需要這種在現有知識基礎上做出合理決定的能力。這方面人類已經很擅長了，隨便一個會開車、會用電腦、能主持會議的人在面對不熟悉的汽車、不熟悉的作業系統、不熟悉的社交狀況的時候都能夠對付得來。
為了研究把這種能力賦予人造系統的可能性，研究者們已經開始著手做初步的嘗試。比如一類稱作 "漸進網路" 的新的網路架構就可以學會一個電腦遊戲以後，根據這些知識學會玩另一個遊戲。同樣的架構也可以用來把從模擬機器人手臂上學到的知識遷移到真實的機器手臂上，極大地減少了訓練時間。有意思的是，這些網路跟人類的序列學習模型有一些共同點。這些誘人的聯絡表明了未來的 AI 研究會有很多從神經科學的研究中學習的機會。
不過 DeepMind 的研究人員們認為知識的交換不應該是單向的，神經科學也可以從 AI 研究中獲益。比如強化學習這一現代 AI 研究的主要方法之一，最開始來自於心理學領域的動物學習理論，然後被機器學習的研究者們發揚光大。這些想法後來也反哺回了神經科學研究中，幫助我們理解一些神經生理學現象，比如哺乳動物基底神經節中多巴胺神經元的啟用特性。
這種來回交流對兩個領域藉助對方的見解不停發展至關重要，從而構建了一個正向的迴圈，其中 AI 研究者運用神經科學的想法構建新的技術，神經科學家可以從人造智慧體的行為中更好地學習如何闡釋生物大腦。確實，這樣的迴圈能夠得到加速，近期的技術發展功不可沒，比如光遺傳學就可以讓我們精確地測量和控制大腦活動，從中獲取的大量資料還可以用機器學習領域的工具進行分析。
所以 DeepMind 的研究人員們認為把智慧轉化為演算法，然後把演算法和人類大腦相比較，已經成為當前至關重要的事情。他們希望 AI 可以成為創造新知識、推進科技探索前沿的工具，那麼這樣的做法不僅可以支援對 AI 的研究，更可以讓大家更加理解自己的大腦中都發生了什麼。這有可能照亮神經科學中最難解的神秘問題，比如創造力和夢的本質，甚至有一天可以解釋意識是怎麼回事。面對著這麼多難題，讓神經科學和人工智慧聯手向前已經變得前所未有地緊迫。