编辑 | 萝卜皮
植物对身材的把持十分精妙，因此不妨做出各种各样的举动。然而，大脑如何兑现这类把持仍不清楚。要加深我们的理解，就需要不妨将把持原理与植物的神经举动结构联系起来的模型。
为了兑现这一点，哈佛大学、谷歌 DeepMind 的钻研职员建立了一个「虚构啮齿植物」，使用人工神经收集在物理模拟器中驱动大鼠的生物力学仿真模型。
该团队使用深度强化学习来训练虚构代理师法自由举动的老鼠的举动，从而让钻研职员不妨将「确实老鼠记录的神经举动」与师法其举动的「虚构啮齿植物的收集举动」进行比较。
模型不妨准确师法确实老鼠的举动，这一重大成就有望增进科学家对大脑如何把持复杂协调举动的理解。
这成果即使是当前最先进的机器人都难以复制，而钻研团队相信他们的发现可以大大提高未来机器人的灵活性。
该钻研以「A virtual rodent predicts the structure of neural activity across behaviors」为题，于 2024 年 6 月 11 日发布在《Nature》。
人类和植物不妨轻松高效地把持自己的身材，而工程体系很难师法这类把持方式。这是计较模拟，举动神经科学的技术局限导致的。原因是，相对于因果产生复杂、自然举动的模型，举动体系中的神经举动很少有明确的解释。
与此类生成模型不同，神经科学家试图通过将相关大脑区域的神经举动与可测量的举动特征（例如不同身材部位的举动学和动力学）联系起来，揣摸举动体系功能。
然而，这类法子存在问题，因为物理定律内在地将举动特征关联起来，因此仅能描述举动而非生成举动。为解决这一问题，钻研团队提出了一种新途径：使用虚构植物模型与把持模型关联来揣摸计较原理。
图示：使用 MIMIC 比较举动范围内的生物把持和人工把持。（来源：论文）
钻研团队开发了一款「虚构啮齿植物」，其中一个人工神经收集（ANN）驱动着一个在物理模拟器中运作的、具有生物力学确实性的大鼠模型。
建立此体系时，需要在可处理性、表达能力和生物学现实性之间取得平衡。钻研职员选择了不妨重现老鼠举动并预测神经举动的最简单模型。
模型采用深度强化学习训练 ANN，兑现逆动力学模型。输入为确实植物的未来举动参考轨迹和当前身材状态，输出为兑现预期状态所需的动作。钻研职员可以根据相关数据比较实际大鼠的神经举动与虚构啮齿植物收集的举动。
这类法子有两个主要优势：一是模型是因果性的，可以物理再现感兴趣的举动，而不仅仅是描述它。二是将重点放在识别大脑区域兑现的功能上，而不仅仅是信息流的描述。
「我们从建立『具身代理』的挑战中学到了很多东西：人工智能体系不仅要智能思考，还必须在复杂环境中将这类思考转化为实际行动。」谷歌 Deepmind 的 Matthew Botvinick 说，「在神经科学背景下采用同样的法子似乎有助于深入了解举动和大脑功能。」
结果显示，感觉举动纹状体和举动皮层中的神经举动被虚构啮齿植物的收集举动更准确地预测，这与这两个区域兑现逆动力学把持相一致。
图示：虚构老鼠。（来源：Deepmind 网站）
此外，收集的潜在变化预示了跨举动的神经变化结构，并以符合最优反馈把持的最小干预原则的方式赋予了体系稳健性。
这些发现揭示了通过物理模拟具有生物力学确实性的虚构植物，可以有助于解释跨举动的神经举动结构，并将其与举动把持理论原则联系起来。
并且，这类法子展示了人工把持器操作生物力学模型以揭示神经电路计较原理的潜力。虚构植物可以作为虚构神经科学的平台，模拟实验难以揣摸的变量对神经举动和举动的影响。
这一钻研领域对于开发先进的假肢和脑机接口至关重要。通过重建神经回路，这项钻研获得的见解可能带来治疗举动障碍的新法子。此外，钻研指出，虚构大鼠为钻研神经回路以及疾病对这些回路的影响提供了一个透明的模型。
接下来，钻研职员计划让虚构老鼠自主解决确实老鼠遇到的任务，进一步加深对大脑技能习得算法的理解。
未来，科学家可能会建立受大脑启发的收集架构，从而提高性能和可解释性，并探讨特定电路结构和神经机制在举动计较中的角色。
论文链接：https://www.nature.com/articles/s41586-024-07633-4
相关报道：https://decrypt.co/235086/virtual-rat-ai-brain-harvard-google-deepmind-robotics