在人工智慧（AI）的研究中，神經網絡已成為最核心的課題之一。
儘管 AI 研究的神經網絡和大腦中神經元的工作方式有很大區別，但越來越多的科學家認為，這種受到大腦結構啟發而創造出的技術與神經科學存在密切聯繫。研究兩者的相似和不同之處，不僅可以加深我們對神經科學的理解，還可以使 AI 更聰明。
在研究神經科學時，大鼠是常見的實驗對象之一，比如分析大鼠大腦是如何支配其運動的。那麼我們可以像研究大鼠一樣研究 AI 嗎？
DeepMind 和哈佛大學的研究人員認為這一思路是可行的。他們創造了一個由 AI 驅動的虛擬大鼠，可以在模擬的 3D 環境中執行多項複雜任務。在研究所謂的 「AI 大腦」 如何控制大鼠運動的過程中，神經科學技術便可以派上用場。
論文作者之一，哈佛大學研究員傑西 · 馬歇爾（Jesse Marshall）表示，這項研究像是給神經科學研究搭建了風洞實驗室，允許研究人員用不同程度的生物真實性測試不同的神經網絡，從而了解它們如何應對複雜任務和挑戰。
圖 | 模擬大鼠和測試環境（來源：DeepMind & 哈佛大學）
「神經科學研究的典型實驗會在動物執行簡單任務時探查其大腦。相似的，我們希望了解大腦是如何產生和實現靈活性的，然後用成果來設計具有類似機制的人造代理（AI agent），」 傑西解釋稱。
研究人員表示，他們在模擬三維環境中利用神經網絡控制了一隻大鼠的生物模型，然後利用神經科學技術分析生物大腦活動，來更好地了解神經網絡控制大鼠運動的機制。
該研究成果以論文形式發表於正在舉行的 ICLR 大會（國際表徵學習大會）上。ICLR 大會項目組認為，為了使用神經科學技術來理解神經網絡控制特定主體，這項研究採用了不同尋常的思路，提供了一個新的研究方向，令人興奮。
虛擬 AI 大鼠的構造以真實大鼠為基礎，其肌肉，關節和視覺都是基於真實大鼠的測量數據。為了讓 AI 更逼真，虛擬大鼠還能實現本體感覺，即肌肉運動知覺，一種告知動物身體部位及其運動方式的反饋系統。
為了控制虛擬大鼠，研究人員訓練了一個神經網絡，負責指導其完成四種挑戰：跳過空隙，在迷宮中尋路和覓食，逃出山丘環境和符合時間間隔要求的拍球運動。
在大鼠完成任務之後，研究小組會利用神經科學技術分析其 「AI 大腦」 神經活動的記錄資料，以了解神經網絡是如何實現完成特定任務所需的運動控制的。
在現實世界中，研究動物神經活動並將其與特定行為聯繫起來是十分複雜的，大多數實驗都是在嚴格的實驗環境中進行相對簡單的任務。而在虛擬環境中，如果可以很好地模擬大鼠神經活動，控制其完成多部分組成複雜行為，比如覓食和拍球，就可以更好地匹配神經活動和特定行為。
由於驅動大鼠的 AI 系統是自行開發的，所以針對神經網絡運行機制的分析大多是可以預料且符合預期的。不過一個有意思的發現是，如果神經活動直接控制肌肉力量和肢體運動，那麼其持續時間似乎比預期更長。
圖 | AI 大鼠走迷宮（來源：DeepMind & 哈佛大學）
這意味著神經網絡能夠以奔跑，跳躍，旋轉和其他直覺行為等抽象尺度上表示行為。同時，神經網絡似乎還擁有跨任務重用某些行動表示形式的能力，對行為進行編碼的神經活動通常會採用序列的形式。
換句話說，在神經網絡看來，雖然跑步和跳躍等行動需要協調多個身體部位和肌肉組織，但一旦特定的運動模式經常出現，便可以抽象為某種特定運動方式。比如大鼠（AI 大腦）發現後肢發力可以高高躍起，那麼就會記住這是跳躍，如果在執行其他任務時需要跳躍，就會直接控制其後腿發力。
研究人員表示，這種抽象能力和認知模型被普遍認為存在於動物身上，在齧齒和鳴禽動物身上都已觀察到。新的發現進一步證實了這種模型的存在，而且這種現象是自然出現在神經網絡中，並沒有明確設置獎勵機制。因此在印證事實的同時，該研究也證明了神經網絡和神經科學的相似性。
目前研究人員已經開源了虛擬大鼠項目，希望其他團隊可以在現有模型基礎上更進一步，在虛擬環境中測試不同的神經網絡實現方式。
沒有參與研究的加拿大麥吉爾大學神經科學家布萊克 · 理查茲（Blake Richards）認為，儘管沒有模擬全部的生理真實性，但訓練出的神經網絡仍然捕獲了足夠神經活動特徵，可以就神經活動產生的影響進行有價值的預測。
「該論文的一大貢獻在於，提出了一種以現實手段訓練神經網絡的方法，可以更輕鬆地比較生物學數據和虛擬神經網絡數據，」 布萊克強調。