生物行移动版

在“Brain Inspired”播客的一期节目中，主持人Paul Middlebrooks与麻省理工学院脑与认知科学系教授、大脑、思维与机器中心联合主任Tomaso Poggio进行了深入对话。Poggio几十年来与认知科学和物理学领域的众多杰出人物合作，致力于构建能够解释大脑和机器基本学习能力的理论。他阐述了诸如组成稀疏性等关键原则——即层次结构中连接的许多简单函数可以组合执行复杂函数。更广泛地说，Poggio反思了智能科学的过去、现在和未来。本文基于播客内容，系统解析Poggio对学习理论的观点及其对人工智能的启示。

一、工程 vs. 理论

在智能科学领域，工程实践已经超越了理论。尽管深度学习等工程方法取得了巨大成功，但对其工作原理的理论理解仍然滞后。Poggio对理论能够赶上工程发展持乐观态度，他认为通过跨学科合作，可以揭示智能系统背后的通用原则。

二、组成稀疏性

核心思想：层次结构中连接的许多简单函数可以执行复杂函数。这一原则与深度学习密切相关：深度神经网络本质上是层次化的，较低层学习简单特征，较高层组合这些特征形成更复杂的表示。组成稀疏性不仅解释了大脑的高效计算，也为设计更高效的人工神经网络提供了理论指导。

三、学习理论的目标

Poggio认为，学习理论的目标是解释基本学习能力，无论是大脑还是机器。这需要理解原理，超越工程实践，寻找一般性原则。例如，为什么深度网络能够泛化？为什么大脑能够从少量样本中学习？这些问题的答案将推动人工智能和神经科学的共同进步。

四、智能科学的过去、现在与未来

过去：认知科学和物理学的合作催生了早期神经网络研究，如感知机和反向传播算法。现在：深度学习在视觉、语言等领域取得突破，但理论滞后。未来：Poggio预测，随着神经科学和人工智能的融合，我们将迎来新的理论框架，可能包括对注意力机制、记忆和推理的更深理解。