人工智能,簡稱AI。它是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的技術科學。智東西5月9日消息，近日，谷歌旗下AI企業(yè)DeepMind和哈佛大學的研究人員用AI技術創(chuàng)造出一只虛擬3D老鼠，這只老鼠能夠完成跳躍、覓食、逃跑、擊球等多項復雜任務。這項研究或有助于增進人類對生物神經(jīng)系統(tǒng)的理解。

在生物科學領域，神經(jīng)活動與動物行為之間的關系一直是一個未解之謎。許多研究人員認為AI技術是解答這個疑問的金鑰匙，這是因為AI技術的靈感正是來自于人腦神經(jīng)網(wǎng)絡結構。

這一點從名字上也可以看出來，比如，AI技術是由人工“神經(jīng)網(wǎng)絡”來驅動的，機器學習算法的組成部件則被稱為“神經(jīng)元”。

但是，由于運動控制的復雜性，之前的研究大多聚焦于單一、簡單的動作，并沒有針對更復雜、多樣的動作進行研究。DeepMind和哈佛大學的研究人員認為：如果用AI技術模擬出一個虛擬生物，就可以更簡便地觀察生物做復雜動作時的神經(jīng)活動、降低研究的難度。

基于這個設想，研究人員設計出了一只虛擬3D老鼠。

這項研究在4月26日至5月1日舉行的國際學習表征會議(ICLR)上發(fā)表。ICLR是每年舉行的機器學習會議，采用開放式同行評審的方式審閱論文。

論文題目為《虛擬嚙齒動物的深層神經(jīng)行為學(Deep neuroethology of a virtual rodent)》。

論文鏈接：https://openreview.net/attachment?id=SyxrxR4KPS&name=original_pdf

一、虛擬老鼠與真鼠生物學特征相同，能做4種復雜動作

研究人員利用物理模擬器MuJoCo創(chuàng)建模型。為了使虛擬老鼠盡可能地仿真，研究人員設計該模型擁有與真實老鼠相同的生物學特征：身體有38個等級的自由度，尾巴、脊柱、脖子由關節(jié)組成，利用肌腱控制關節(jié)。

虛擬老鼠與真鼠生物學特征相同

研究人員計劃使虛擬老鼠完成4種復雜動作，分別是：A.跳過地表縫隙(gaps run)、B.在迷宮中覓食(maze forage)、C.逃離丘陵環(huán)境(bowl escape)、D.前爪按照固定頻率觸球兩次(two-tap)。

虛擬老鼠能做4種復雜動作

為了達到這一目的，研究人員訓練了一個多任務策略(Multi-Task Policy)。通過一個殘差網(wǎng)絡(Residual Network)，以自我為中心的視覺圖像被編碼為特征。通過一個多層感知器(Multi-Layer Perceptron)，本體感受狀態(tài)觀察也被編碼。

這些特征被傳遞到循環(huán)長短期記憶(recurrent LSTM)模塊中。訓練過程中，核心模塊用反向傳播算法(BP，Backpropogation)進行訓練。核心模塊的輸出也作為特征傳遞給策略模塊。策略模塊由一個或多個LSTM模塊堆疊而成。

短時間尺度上，虛擬老鼠借助一組制動器來驅動關節(jié)、產生移動。在更長的時間尺度上，虛擬老鼠的關節(jié)移動被組織成協(xié)調的、重復的，這樣就實現(xiàn)了奔跑、跳躍、轉彎等動作。

二、研究4種復雜動作對應的神經(jīng)活動

模型制作好后，研究人員開始研究虛擬老鼠的神經(jīng)活動。

1、找到虛擬老鼠行為對應的神經(jīng)區(qū)域

首先，研究人員試圖找到虛擬老鼠不同行為與特定大腦神經(jīng)區(qū)域之間的對應關系。

為了便于觀察和記錄，研究人員從虛擬老鼠的動作中提取出特征。

研究人員按照動物行為學方法，提取虛擬老鼠的兩組行為特征：第一組采用一種行為映射方法，提取老鼠運動時最常用到的關節(jié)角度，生成一組描述虛擬老鼠姿態(tài)和運動學特性的特征。第二組提取老鼠運動時最常出現(xiàn)的15個關節(jié)角度及相應姿勢，由此產生行為特征。

然后，研究人員用T-分布鄰域嵌入算法(t-SNE)，把老鼠行為特征嵌入2D。

接下來，研究人員分別在1～25Hz時間尺度、0.3～5Hz時間尺度、5～25Hz時間尺度上劃分出25個尺度，計算這兩組行為特征的莫萊小波(Morlet wavelet)變換的15個最重要的特征。這產生了描述虛擬老鼠姿勢和運動學特征的60維特征集。

嵌入2D后，研究人員制作出一張?zhí)摂M行為“地圖”，虛擬老鼠的行為被劃分到對應的大腦神經(jīng)區(qū)域。這反映了一些行為(跳躍、奔跑、攀爬等)與神經(jīng)網(wǎng)絡的關系結構。

2、核心層、策略層各有分工

除了行為參數(shù)，研究人員還測量和分析了每層架構中長短期記憶(LSTM)細胞的神經(jīng)活動。

為了進一步找出核心層和策略層分別負責編碼哪些行為，研究人員使用了代表性的相似性分析(representational similarity analysis)。代表性的相似性分析可以提供一個整體性的測量標準，幫助研究人員發(fā)現(xiàn)神經(jīng)網(wǎng)絡如何編碼行為特征以及這種編碼在不同層級中如何變化。

分析結果顯示，任務執(zhí)行期間，核心層與策略層在不同的時間尺度上運作。

核心層通常在1～10秒的時間范圍內運作，更多用于編碼慢動作的行為特征，這可能說明了核心層與情景和獎勵等變量相關。

策略層通常在亞秒級別等時間尺度上運作，更多用于編碼快速動作的行為特征，這可能說明了策略層負責即時動作的編碼。

為了研究出神經(jīng)網(wǎng)絡如何編碼出完成不同任務所需的動作，研究人員分析了核心層、策略層在不同任務中的變化。使用多維標度(MDS，multidimensional scaling)將虛擬老鼠活動嵌入二維。

結果顯示，核心層在不同任務中的表現(xiàn)有較大不同，策略層在不同任務中的表現(xiàn)有較多重疊。

虛擬老鼠為神經(jīng)網(wǎng)絡研究帶來了更多可能性，還有助于提升AI技術水平。這項研究的論文合著者杰西·馬歇爾(Jesse Marshall)說：“這篇論文是我們了解大腦如何靈活處理任務的開始，通過獲得的知識，我們也可以設計出具有類似能力的人工代理?！?

但另一位研究者斯科特認為，在實際操作層面上還有一些問題亟待解決?！霸谶@么復雜的任務中收集動物的神經(jīng)數(shù)據(jù)是十分困難的?！彼f。

用虛擬老鼠的神經(jīng)活動模式與其他真實動物的模式相比較，測試兩種神經(jīng)模式分化源頭，這是目前研究人員在實驗室環(huán)境中的測試。