雷鋒網注：圖自 Deepmind 和哈佛大學的論文

人們能像研究實驗小白鼠那樣研究人工智能嗎?

DeepMind 和哈佛大學的研究人員似乎是這么認為的——具體來說，研究人員制造了一個 AI 驅動的虛擬小白鼠來執(zhí)行多種復雜的任務。然后，他們再使用神經科學技術來了解虛擬小白鼠的“大腦”是如何控制其運動的。

如今，最先進的人工智能由人工神經網絡驅動，而人工神經網絡是一種機器學習算法，由被稱為“神經元”的組件連接而成。從某種程度上來說，這些“神經元”組件受到了大腦結構的啟發(fā)，盡管它們的運作方式截然不同，但越來越多的研究人員認為，將兩者相提并論，既能提高我們對神經科學的理解，也能讓人工智能變得更智能。

雷鋒網了解到，基于上述觀點，研究人員已經創(chuàng)建了一個 3D AI 小白鼠的模型，特殊的是，這個模型完全復刻了現(xiàn)實小白鼠的生物特征。在虛擬環(huán)境中，AI 小白鼠由其神經網絡來控制。研究人員還表明，他們可以利用神經科學技術來分析生物大腦活動，以了解神經網絡如何控制老鼠的運動。

該研究報告的合著者、哈佛大學博士后研究員 Jesse Marshall 表示，通過讓研究人員用不同程度的虛擬生物來測試不同的神經網絡，以觀察它們在應對復雜挑戰(zhàn)方面的表現(xiàn)。他說道：

典型的神經科學實驗探究的是動物大腦，這些動物只會做一些單一動作，比如敲擊杠桿，而大多數(shù)機器人都是為完成特定的任務而打造的，比如打掃房間。關于模擬小白鼠的研究是我們努力理解大腦如何實現(xiàn)靈活性的開始，并利用我們獲得的有用信息來設計具有類似能力的人工智能體。

這個 AI 小白鼠的肌肉和關節(jié)特征，以及視覺能力和本體感覺全都基于真實老鼠的測量數(shù)據。其中，本體感覺是指反饋系統(tǒng)，即告訴小白鼠自己的身體部位在哪里，以及這些部位是如何運動的。

隨后，研究人員訓練了一個神經網絡來指導 AI 小白鼠完成任務，比如跳過溝壑，在迷宮中覓食，逃離丘陵環(huán)境，并精確觸摸到模擬物體。一旦 AI 小白鼠能夠成功完成任務，研究小組就會分析其神經活動的記錄，利用從神經科學技術來了解神經網絡是如何實現(xiàn)運動控制的。

由于研究人員已經建立了為模擬小白鼠提供動力的人工智能，所以，AI 小白鼠的許多行為是研究人員意料之中的。不過，有趣的是，在實驗中，神經活動的發(fā)生時間似乎比直接控制肌肉和肢體運動的時間要長。

哈佛大學研究生 Diego Aldarondo 說：

這意味著，這個網絡反映了抽象尺度上的行為，比如奔跑、跳躍、旋轉和其他直觀的行為類別。這是一種先前被認為僅存在于動物身上的認知模型。

DeepMind 的高級研究科學家 Josh Merel 表示，目前，他們已經對 AI 小白鼠進行了開源，希望其他研究人員能以此為基礎，去進行進一步的研究。

加拿大麥吉爾大學的神經學家 Blake Richards 沒有參與這項研究。他認為，雖然神經網絡不具備生理真實性，但它能夠捕捉到足夠多的神經處理方式的重要特征，可以對神經活動影響行為的結果做出有用的預測。這種訓練神經網絡的方法，更易于收集數(shù)據來與真實的生物數(shù)據進行比較。

他補充道，“這些虛擬大腦產生的數(shù)據或許比動物真實大腦產生的數(shù)據更有價值。”

加拿大皇后大學的神經學家 Stephen Scott 表示，雖然人們必須謹慎對待在人工神經網絡和生物神經網絡之間進行過度比較，但這種方法可能是探索行為神經基礎一種富有成效的方式。

雷鋒網注：本文編譯自 IEEE Spectrum

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。