当下人工智能研究的另一个重要挑战就是迁移学习。为了能够高效应对新情况，人工智能体需要在现有知识的基础上构建作出明智决策的能力。人类早已精于此道：人可以开汽车、使用笔记本或者能够主持一个会议，此外，在面对不熟悉的车辆、操作系统或者社会环境的时候人类通常也能够有效应对。

朝着理解这种情况如何发生在人工智能系统中这个目标，研究者现在开始迈出了第一步。例如，一种叫做「渐进网络（progressive network）」的新型网络结构能够利用在一个视频游戏中习得的知识去学习另外一个视频游戏。在从仿真机器臂向现实手臂迁移知识的场景中也使用相同的结构，这大大地缩短了训练时间。有趣的是，这些网络与人类的连续任务学习模型有某些相似之处。这些联系表明未来的人工智能研究非常有可能从神经科学的工作中学习到一些东西。

但是这种知识的交换不可能是单向的，神经科学也能够从人工智能研究中获益。以强化学习为例——强化学习是当下人工智能研究的核心方法之一。尽管强化学习的原始思想来源于心理学中的动物学习理论，但是它是由机器学习研究者来开发和阐述的。这些思想又回馈神经科学的研究，帮助我们理解神经生理现象，例如哺乳动物基底神经节中的多巴胺神经元的放电特性。

人工智能研究者从神经科学中汲取思想来建立新的技术，神经科学家从人工智能体的行为中学习，以更好地解释生物大脑——如果这两个领域要持续地借助彼此的思想发展，并创建一个良性循环，那么这种一来一往的启发是必须的。事实上，由于近期的种种进展，例如光遗传学，它允许我们精确地测量和操纵脑活动，产生大量能够使用机器学习工具进行分析的数据。

所以我们认为，把智力转换为算法并将其与人类大脑进行比较现在是非常关键的。这不仅能够加强我们对开发人工智能这种有望创造新知识并且推动科学发现的工具的追求，而且还有可能帮助我们更好地理解人类大脑内部到底发生着什么。这有可能揭示神经科学中的一些奥妙，例如，创造力、梦，甚至意识的本质。正因为如此重要，将神经科学领域和人工智能领域结合起来的需求比以往任何时候都更加迫切。

原文链接：https://deepmind.com/blog/ai-and-neuroscience-virtuous-circle/