在神经科学与人工智能的交叉领域，著名神经科学家Anthony Zador与Brain Inspired播客主持人Paul Middlebrooks展开了一场深度对话。作为该领域的先驱者之一，Zador详细阐述了他对NeuroAI未来发展的独特见解。从最初对"NeuroAI"这一术语的抗拒，到如今对这一领域充满期待，Zador的转变源于对问题本质的深入思考。他指出，在80-90年代，计算神经科学与人工神经网络是紧密相连的领域。然而，随着研究的深入，他意识到仅仅关注神经回路的动态特征是远远不够的，更重要的是要理解这些回路如何帮助生物

一项最新的研究表明，人工智能（AI）有潜力在未来超越人类智能。该研究深入探讨了AI与人脑的复杂性，并提出了一种新的理论框架，即通过将AI技术应用于神经科学的细胞层面，AI可以无限逼近人脑的功能，甚至最终超越人类的智能水平。人脑被广泛认为是宇宙中最复杂的系统之一，而人工智能则被视为人类历史上最重要的技术之一。一个核心问题摆在眼前:人工智能最终会超越人类的智能吗?这项研究认为，答案是肯定的。该研究提出，通过使用新型的AI技术，我们可以创建人脑的“AI双

中国科学院自动化研究所与清华大学、北京大学等机构合作，提出了一种基于内生复杂性的类脑神经元模型构建方法。该方法展示了脉冲神经网络中LIF模型与HH模型的动力学特性等效性，并通过设计微架构提升了计算单元的内生复杂性，使得HH网络模型能够模拟更大规模的LIF网络模型特性。研究团队还简化了模型为s-LIF2HH模型，并通过仿真实验验证了其在捕捉复杂动力学行为方面的有效性。实验结果显示，HH网络模型在表示能力和鲁棒性上与s-LIF2HH模型相似，但在计算资源消耗方面更为高效。这项研究为将人工智能融入神经科学复杂动力学特性提供了新方法，加速了AI模型的优化与实际应用。研究团队计划进一步研究更大规模的HH网络及更复杂神经元，以提升大模型的计算效率与任务处理能力。

哈佛大学与谷歌DeepMind的人工智能实验室合作，开发了一款虚拟AI老鼠，象征性的推动了“虚拟神经科学”领域的发展。此研究的重大意义在于揭示大脑如何操控复杂身体动作，对脑科学和机器人学产生深远影响。通过无动物牺牲的虚拟实验，科学家们成功创建了一只能够模仿真实老鼠所有动作的AI，其AI“大脑”能够预测对应的真实老鼠脑内的神经活动。论文发表于《Nature》杂志，展示了利用人工神经网络训练实现运动控制，用以探究大脑神经基础，并为设计改良机器人控制系统提供了新思路。这项合作不仅加深了对AI与神经科学交界的知识，也为未来灵活、智能机器人发展开拓了新视野。

哈佛大学研究人员与谷歌DeepMind团队合作，利用人工智能技术为虚拟老鼠创建了一个人工"大脑"，能在复杂环境中精确控制其运动，这一创新突破发表在《自然》杂志上。