인공 지능의 최근 발전은 놀랍습니다. 인공 시스템은 이제 Atari 비디오 게임 , 고대 보드 게임 Go 및 헤드 업 포커의 하이 스테이크 경기 에서 전문가보다 뛰어 납니다 . 또한 필기 및 연설 을 인간의 것과 구별 할 수 없으며 여러 언어로 번역하고 심지어 반 고흐의 명곡 스타일로 휴일 스냅 을 다시 포맷 할 수도 있습니다 .

이러한 발전은 새로운 통계적 접근법의 적용과 컴퓨터의 처리 능력 증가 등 여러 요인에 기인합니다. 그러나 Neuron 학술지의 최근 Perspective에서 종종 간과 된 것은 실험적이고 이론적 인 신경 과학의 아이디어를 사용한다는 것입니다.

심리학과 신경 과학은 인공 지능의 역사에서 중요한 역할을했습니다. Donald Hebb , Warren McCulloch , Marvin Minsky , Geoff Hinton 과 같은 창립 인물 들은 모두 원래 뇌가 어떻게 작동하는지 이해하려는 욕구에 동기를 부여 받았습니다. 사실, 20 세기 후반 내내 신경 네트워크를 개발하는 주요 작업은 수학 또는 물리 실험실이 아니라 심리학 및 신경 생리학 부서에서 이루어졌습니다.

문제가 너무 많아서 신경 과학과 인공 지능 분야의 필요성이 지금보다 더 절실 해졌습니다.

DeepMind에서 우리는 두 분야의 급속한 발전에도 불구하고 연구원은이 비전을 놓치지 말아야한다고 주장합니다. 우리는 신경 과학자와 AI의 연구자에게 공통 언어를 찾아 자유로운 지식의 흐름을 허용하여 양쪽면에서 계속적인 진전을 허용 할 것을 촉구합니다.

우리는 인공 지능 연구에서 신경 과학으로부터 영감을 얻는 것이 두 가지 이유로 중요하다고 믿습니다. 첫째, 신경 과학은 이미 존재하는 인공 지능 기술을 검증하는 데 도움이 될 수 있습니다. 우리의 인공 알고리즘 중 하나가 뇌 내의 기능을 모방한다는 것을 발견하면, 우리의 접근이 올바른 방향에있을 수 있음을 간단히 말해줍니다. 둘째, 신경 과학은 인공 두뇌를 구축 할 때 채용 할 새로운 유형의 알고리즘 및 아키텍처에 대한 풍부한 영감을 제공 할 수 있습니다. 인공 지능에 대한 전통적인 접근 방식은 역사적으로 논리 기반 방법과 이론적 수학 모델에 의해 지배되어 왔습니다. 우리는 신경 과학이인지 기능에 결정적 일 수있는 생물학적 계산의 종류를 확인함으로써 이들을 보완 할 수 있다고 주장한다. 

최근 신경 과학 분야에서의 독창적 인 발견 : 오프라인 경험 " 재생 " 의 발견 . 수면 또는 조용한 휴식 동안, 생물학적 뇌는 이전 활동 기간에 생성 된 신경 활동의 일시적인 패턴을 "재생"합니다. 예를 들어, 쥐가 미로를 지나갈 때, 동물이 움직일 때 "장소"세포가 활성화됩니다. 휴식 중에는 쥐가 과거 움직임을 정신적으로 재연 마한 것처럼 미래의 행동을 최적화하기 위해 신경 연결 활동의 동일한 순서가 관찰됩니다. 사실, 재생을 방해하면 나중에 동일한 작업을 수행 할 때 성능이 저하되는 것으로 나타났습니다.

'Replay'는 새로운 환경에 지속적으로 행동을 적응시킬 수있는 범용 에이전트 인 DQN의 핵심 요소였습니다

언뜻보기에 인공 에이전트를 만드는 것이 직관력이 떨어지는 것처럼 보일 수도 있습니다. 프로그래머가 잠자리에 들었을 때까지 오랫동안 컴퓨터 문제를 해결할 준비가되어 있습니다. 그러나이 원리는 우리의 deep-Q 네트워크 (DQN) 의 핵심 부분이었습니다  . 원시 알고리즘을 사용하여 초심자 수준의 다양한 Atari 2600 게임을 마스터하고 배움터 로 입력하는 알고리즘을 배웠습니다. DQN은 "오프라인"으로 검토 한 학습 데이터의 하위 집합을 저장함으로써 "경험 재생"을 모방하여 과거에 발생한 성공 또는 실패로부터 새롭게 학습 할 수있게합니다.

이와 같은 성공은 신경 과학이 이미 인공 지능을위한 중요한 아이디어의 원천이라는 확신을줍니다. 그러나 앞으로 우리는 효율적인 학습, 물리적 세계에 대한 이해, 상상력과 같은 미해결 문제를 해결하는 데 필수적이 될 것이라고 믿습니다.

상상력  은 인간과 동물에게 매우 중요한 기능이며, 조치를 취하지 않고도 미래 시나리오를 계획 할 수 있습니다. 비용이 많이들 수도 있습니다. 휴일 계획과 같은 간단한 예를 고려하십시오. 이를 위해 우리는 세계의 지식 (모델)을 활용하여 정시에 프로젝트를 진행하고 미래의 주를 평가하며 우리가 취해야 할 경로를 계산할 수있게하거나 화창한 날씨를 위해 어떤 옷을 꾸릴 것입니까? . 인간의 신경 과학에 대한 최첨단 연구는 이런 종류의 사고를 뒷받침하는 전산 및 시스템 메커니즘을 공개하기 시작했지만이 새로운 이해의 많은 부분이 아직 인공 모델에 통합되지 않았습니다.

신경 과학과 인공 지능의 분야는 길고 얽힌 역사를 가지고 있습니다.

현대의 인공 지능 연구에서 또 다른 핵심 과제는 이전 학습이라고합니다. 새로운 상황에 효과적으로 대처할 수 있도록 인공 에이전트는 현명한 결정을 내리기 위해 기존 지식을 기반으로하는 능력이 필요합니다. 인간은 이미 자동차를 운전하거나 노트북이나 의자를 사용하여 익숙하지 않은 자동차, 운영 체제 또는 사회적 상황에 직면했을 때도 대처할 수 있습니다.

연구자들은 인공 시스템에서 이것이 어떻게 가능한지 이해하기위한 첫 걸음을 시작합니다. 예를 들어, " 프로그레시브 네트워크 " 로 알려진 네트워크 아키텍처의 새로운 클래스는 한 비디오 게임에서 배운 지식을 사용하여 다른 것을 학습 할 수 있습니다. 동일한 아키텍처가 시뮬레이트 된 로봇 팔에서 실제 팔로 지식을 전송하여 교육 시간을 크게 단축하는 것으로 나타났습니다. 흥미롭게도이 네트워크 는 인간의 순차적 학습 학습 모델과 약간의 유사점을 가지고 있습니다. 이러한 유익한 링크는 향후 인공 지능 연구가 신경 과학 분야의 연구에서 배울 수있는 좋은 기회가 있음을 시사합니다.

그러나 이러한 지식의 교환은 일방 통행의 거리가 될 수 없습니다. 신경 과학은 또한 인공 지능 연구로부터 이익을 얻을 수 있습니다. 현대 AI 연구의 핵심 접근 방법 중 하나 인 강화 학습에 대한 아이디어를 얻으십시오. 최초의 아이디어는 심리학에서 동물을 배우는 이론에서 나온 것이지만, 기계 학습 연구자가 개발하고 정교했습니다. 이러한 후기 아이디어는 신경 과학으로 되돌아와 포유류의 기초 신경절에서 도파민 뉴런 의 발화 특성 과 같은 신경 생리 학적 현상을 이해하도록 돕습니다 .

AI 과학자들이 신경 과학의 아이디어를 사용하여 신기술을 개발하고 뇌 과학자가 인공 두뇌의 행동을 통해 생물학적 뇌를보다 잘 해석 할 수 있도록 배우는 선순환 구조를 만들려면이 두 분야가 계속해서 앞뒤로 이어져야합니다. 사실,이 사이클은 우리가 정밀하게 뇌 활동을 측정하고 조작 할 수있게 해주는 optogenetics와 같은 최근의 진보로 인해 가속화 될 것이며, 기계 학습에서 도구로 분석 할 수있는 엄청난 양의 데이터를 산출하게 될 것입니다.

따라서 지능을 알고리즘으로 추출하고 인간의 뇌와 비교하는 것이 중요합니다. AI를 개발하려는 우리의 탐구를 강화할 수있을뿐만 아니라, 새로운 지식 을 창출하고 과학적 발견 을 도모 할 수있는 도구를 개발할 수있을뿐만 아니라 우리 자신의 머리 속에서 어떤 일이 벌어지고 있는지 더 잘 이해할 수있게 해줄 수 있습니다. 그것은 창의력, 꿈 그리고 어쩌면 언젠가 의식의 성격과 같은 신경 과학에서 가장 영속적 인 신비의 일부를 밝힐 수 있습니다. 문제가 너무 많아서 신경 과학과 인공 지능 분야의 필요성이 지금보다 더 절실 해졌습니다.