在人工智能（AI）的研究中，神经网络已成为最核心的课题之一。
尽管 AI 研究的神经网络和大脑中神经元的工作方式有很大区别，但越来越多的科学家认为，这种受到大脑结构启发而创造出的技术与神经科学存在密切联系。研究两者的相似和不同之处，不仅可以加深我们对神经科学的理解，还可以使 AI 更聪明。
在研究神经科学时，大鼠是常见的实验对象之一，比如分析大鼠大脑是如何支配其运动的。那么我们可以像研究大鼠一样研究 AI 吗？
DeepMind 和哈佛大学的研究人员认为这一思路是可行的。他们创造了一个由 AI 驱动的虚拟大鼠，可以在模拟的 3D 环境中执行多项复杂任务。在研究所谓的 “AI 大脑” 如何控制大鼠运动的过程中，神经科学技术便可以派上用场。
论文作者之一，哈佛大学研究员杰西 · 马歇尔（Jesse Marshall）表示，这项研究像是给神经科学研究搭建了风洞实验室，允许研究人员用不同程度的生物真实性测试不同的神经网络，从而了解它们如何应对复杂任务和挑战。
图 | 模拟大鼠和测试环境（来源：DeepMind & 哈佛大学）
“神经科学研究的典型实验会在动物执行简单任务时探查其大脑。相似的，我们希望了解大脑是如何产生和实现灵活性的，然后用成果来设计具有类似机制的人造代理（AI agent），” 杰西解释称。
研究人员表示，他们在模拟三维环境中利用神经网络控制了一只大鼠的生物模型，然后利用神经科学技术分析生物大脑活动，来更好地了解神经网络控制大鼠运动的机制。
该研究成果以论文形式发表于正在举行的 ICLR 大会（国际表征学习大会）上。ICLR 大会项目组认为，为了使用神经科学技术来理解神经网络控制特定主体，这项研究采用了不同寻常的思路，提供了一个新的研究方向，令人兴奋。
虚拟 AI 大鼠的构造以真实大鼠为基础，其肌肉，关节和视觉都是基于真实大鼠的测量数据。为了让 AI 更逼真，虚拟大鼠还能实现本体感觉，即肌肉运动知觉，一种告知动物身体部位及其运动方式的反馈系统。
为了控制虚拟大鼠，研究人员训练了一个神经网络，负责指导其完成四种挑战：跳过空隙，在迷宫中寻路和觅食，逃出山丘环境和符合时间间隔要求的拍球运动。
在大鼠完成任务之后，研究小组会利用神经科学技术分析其 “AI 大脑” 神经活动的记录资料，以了解神经网络是如何实现完成特定任务所需的运动控制的。
在现实世界中，研究动物神经活动并将其与特定行为联系起来是十分复杂的，大多数实验都是在严格的实验环境中进行相对简单的任务。而在虚拟环境中，如果可以很好地模拟大鼠神经活动，控制其完成多部分组成复杂行为，比如觅食和拍球，就可以更好地匹配神经活动和特定行为。
由于驱动大鼠的 AI 系统是自行开发的，所以针对神经网络运行机制的分析大多是可以预料且符合预期的。不过一个有意思的发现是，如果神经活动直接控制肌肉力量和肢体运动，那么其持续时间似乎比预期更长。
图 | AI 大鼠走迷宫（来源：DeepMind & 哈佛大学）
这意味着神经网络能够以奔跑，跳跃，旋转和其他直觉行为等抽象尺度上表示行为。同时，神经网络似乎还拥有跨任务重用某些行动表示形式的能力，对行为进行编码的神经活动通常会采用序列的形式。
换句话说，在神经网络看来，虽然跑步和跳跃等行动需要协调多个身体部位和肌肉组织，但一旦特定的运动模式经常出现，便可以抽象为某种特定运动方式。比如大鼠（AI 大脑）发现后肢发力可以高高跃起，那么就会记住这是跳跃，如果在执行其他任务时需要跳跃，就会直接控制其后腿发力。
研究人员表示，这种抽象能力和认知模型被普遍认为存在于动物身上，在啮齿和鸣禽动物身上都已观察到。新的发现进一步证实了这种模型的存在，而且这种现象是自然出现在神经网络中，并没有明确设置奖励机制。因此在印证事实的同时，该研究也证明了神经网络和神经科学的相似性。
目前研究人员已经开源了虚拟大鼠项目，希望其他团队可以在现有模型基础上更进一步，在虚拟环境中测试不同的神经网络实现方式。
没有参与研究的加拿大麦吉尔大学神经科学家布莱克 · 理查兹（Blake Richards）认为，尽管没有模拟全部的生理真实性，但训练出的神经网络仍然捕获了足够神经活动特征，可以就神经活动产生的影响进行有价值的预测。
“该论文的一大贡献在于，提出了一种以现实手段训练神经网络的方法，可以更轻松地比较生物学数据和虚拟神经网络数据，” 布莱克强调。
