"NeuroAI, " spajajući "neuroscience" i "AI" (veštačka inteligencija), brzo privlači pažnju kao istraživačko polje. Donedavno nepoznat, sada je istaknut na radionicama, konferencijama i akademskim programima, uključujući radionicu BRAIN-Initiative. Ovo polje kombinuje cilj AI da replicira inteligenciju s uvidima iz neuroscience o proračunu sličnom mozgu. AI koristi neuronske mreže za modelovanje mozga, testirajući teorije o neuronskim proračunima, odražavajući ideju Richarda Feynmana da pravo razumevanje dolazi od stvaranja. U međuvremenu, neuroscience inspiriše AI da stvara sisteme sposobne kao ljudi, formirajući povratnu petlju koja ubrzava oba polja. U AI aplikacijama poput DeepLabCut, AI pojednostavljuje analizu podataka u neuroscience, slično svojoj ulozi u savijanju proteina ili prepoznavanju slika, ali to nije striktno "NeuroAI. " Veza između AI i neuroscience datira još od izveštaja Johna von Neumanna iz 1945. o arhitekturi EDVAC računara, inspirisanog radom McCulloch i Pittsa iz 1943. o neuronskim mrežama.

Frank Rosenblattov perceptron iz 1958. promovisao je ideju učenja na osnovu podataka u mrežama, pod uticajem rada Donalda Hebba o sinaptičkoj plastičnosti. Iako su jednostruki perceptroni imali ograničenja, koncept sinapsi kao prilagodljivih elemenata za učenje ostaje ključan. Zajednički napretci uključuju konvolutivnu neuronsku mrežu (CNN), inspirisanu modelima vizuelnog korteksa, i učenje putem pojačanja, kao što je pokazano u Google-ovom AlphaZero. Tehnike kao što je "dropout" oponašaju pogrešno funkcionisanje neurona kako bi poboljšale otpornost neuronskih mreža. Ovaj međusobni odnos obogaćuje i AI i neuroscience; neuronske mreže unapređuju naše razumevanje proračuna mozga, inspirišući nove modele i algoritme. Kako NeuroAI napreduje, produbljuje naše poimanje inteligencije u biološkim i veštačkim kontekstima, obećavajući dalju integraciju i ekspanziju ovih oblasti. Ova serija eseja će razmotriti ove transformativne veze i praktična i etička pitanja koja postavljaju.