人工智能已经能够做到很多事情——谷歌的AlphaGo战胜了围棋世界冠军，人工智能Libratus战胜4名人类顶尖德州扑克选手……

但这并不意味着人工智能就已经全面超越了人类。

美国冷泉港实验室 (CSHL) )的神经学家安东尼·扎多尔(Anthony Zador)表示：“我们发现很困难的一些事情，比如抽象思维或下棋，其实对机器来说并不难。但一些我们觉得简单的事情，比如与物理世界的互动，对AI来说是困难的。”

近日，安东尼表示，学习动物大脑的运转方式可能有助于改善人工智能。他希望关于神经科学的知识能够帮助下一代AI克服更多障碍。

医学博士安东尼的职业生涯是从研究人工神经网络(ANNs)开始的。他一直致力于描述构成一个活大脑的复杂神经网络，最详细之处可追溯到单个神经元。

人工神经网络(ANNs)灵感来自于动物和人类大脑中神经元的分支网络。

在最近发表在《自然通讯》(Nature Communications)上的一篇观点文章中，安东尼描述了改进的学习算法是如何让人工智能系统在越来越多的复杂问题(如象棋和扑克)上取得超人的表现。

但一些十分简单的问题，比如跟踪猎物或筑巢，甚至一些很普通的事情，比如做饭，都仍然困扰着人工智能。

安东尼表示：“我们认为这很容易的原因是，我们经历了5亿年的进化，这些进化连接了我们的回路，让我们毫不费力地做到了这一点。”

因此，安东尼认为，要解决这种困难，“一个完美的通用学习算法”可能并非正确答案。而一个类似于自然进化产生的生物神经网络则可以促进针对特定任务的快速、简单的学习——通常是那些对物种生存至关重要的任务。

安东尼举例说明：“有些松鼠在出生后几周内就能从一棵树跳到另一棵树，但老鼠却不能。这是因为松鼠的基因决定了它是一种树栖动物。”

他认为，基因决定了动物有着引导新生儿进行早期学习的先天神经回路。如果人工神经网络能够识别并适应类似的神经回路，那么未来的家用机器人就可以轻而易举地做到类似洗碗这种小事。

大脑极为神秘和复杂，至今科学家们还没有研究透彻。不过，试图给AI“人造大脑”，科学家们从几年前就开始干这种事了。

2017年，英特尔实验室就宣布正在研发代号“Loihi”的自学习神经元芯片，模仿了大脑功能，能从环境反馈中直接学习。Loihi内部有着总计超过13万个神经元和1.3亿个突触链接，从神经元数量上讲，Loihi比龙虾的大脑还要复杂一点，不过与由超过800亿个神经元组成的人脑相比还相去甚远。

2018年波音也宣布要研发模拟人类大脑神经元的芯片，并希望在十年后把新款芯片植入飞机中，从而实现飞行自动化。

今年5月，一手打造AlphaGo的DeepMind团队也发表了另一项重要成果。该团队最新研发出的一个人工智能程序具有类似哺乳动物一样的寻路能力，非常类似大脑中网格细胞的工作原理。

不过，也有科学家认为“此路不通”。

麻省理工学院的物理学家、生命未来研究所的主任Max Tegmark曾称，过于关注大脑只是“碳沙文主义”， 尽管到目前为止科学家们还没有找到它的奥秘，但大脑的运作方式并没有什么神奇之处。

“我们太沉迷于大脑的运作方式，”Tegmark说，“我认为这是缺乏想象力的表现。”