DeepMind 和哈佛大学（xué）的研究人员似乎是这么认（rèn）为的——具体来说，研（yán）究人员制造了一个 AI 驱（qū）动的虚拟小（xiǎo）白鼠来执行多（duō）种复（fù）杂的任务。然后，他（tā）们再（zài）使用（yòng）神经（jīng）科学技（jì）术来了解虚拟小白鼠的（de）“大（dà）脑”是如（rú）何控制其运动的。

如今，最（zuì）先进的人工（gōng）智能由（yóu）人工神经网络驱动，而人工神（shén）经网络是一种机（jī）器学习算法，由被（bèi）称（chēng）为“神经元”的（de）组件连接而成。从某（mǒu）种程度上来说，这些“神经元”组（zǔ）件受到了大脑（nǎo）结构的启发，尽管它们的运（yùn）作方式截然不同，但（dàn）越来越多的研究人员（yuán）认为（wéi），将两者相提（tí）并（bìng）论，既能提高我们对（duì）神经科（kē）学的理解，也能让人工智能变得更（gèng）智能。

据了（le）解，基于上述观点，研（yán）究人员已经创建（jiàn）了一个 3D AI 小白鼠的模型（xíng），特殊的（de）是（shì），这个模型（xíng）完全复刻了现实小白（bái）鼠的（de）生物（wù）特征。在虚拟环境（jìng）中，AI 小白鼠由其神经网络（luò）来（lái）控制。研究人员（yuán）还表（biǎo）明，他们可以（yǐ）利用（yòng）神经（jīng）科学（xué）技术来分析生物大脑活动，以了解神经（jīng）网络如（rú）何控制老鼠的（de）运动。

该研究报告的合著者、哈佛大（dà）学博士后研（yán）究员 Jesse Marshall 表示，通过让研究人（rén）员用不同程度（dù）的虚（xū）拟生（shēng）物来测试不同（tóng）的神（shén）经网络（luò），以观察（chá）它们在应对复杂挑战方（fāng）面的表现。他说道：

典型（xíng）的神经科学（xué）实验（yàn）探究（jiū）的是动物大脑，这些动物只（zhī）会做一（yī）些单一动作，比如敲击杠杆，而（ér）大多数机器人都是（shì）为完成特定的任务而打造的，比如打扫房间。关于模拟小白（bái）鼠的研究是我们努力理解大脑（nǎo）如（rú）何实（shí）现灵（líng）活性的开始，并利用我（wǒ）们获得的有用信息（xī）来设（shè）计（jì）具有类（lèi）似能力（lì）的人工智能体（tǐ）。

这个 AI 小白鼠（shǔ）的肌肉和关节特征，以及视（shì）觉能力和本体感（gǎn）觉全（quán）都基于真实（shí）老鼠的（de）测量（liàng）数据。其中，本（běn）体感觉是指反馈系统，即告诉（sù）小白（bái）鼠自己的身体部位在哪里，以及这些部（bù）位是如何运动的。

随后，研究人（rén）员训（xùn）练了一个神（shén）经网络来指导 AI 小白鼠完成（chéng）任务，比（bǐ）如跳过沟（gōu）壑（hè），在（zài）迷宫中觅食，逃离丘陵环境（jìng），并精确触摸到模拟物体。一旦（dàn） AI 小白鼠能够成（chéng）功（gōng）完成（chéng）任务（wù），研究小组就会分析（xī）其神经（jīng）活（huó）动（dòng）的（de）记录，利（lì）用（yòng）从神经科学（xué）技术来了解神经网络是如何实（shí）现（xiàn）运动控（kòng）制（zhì）的（de）。

由于研究（jiū）人员已经建（jiàn）立了为模拟小白鼠提供（gòng）动力的人工智能（néng），所以，AI 小白鼠的许多行（háng）为（wéi）是研究（jiū）人员意料（liào）之中的（de）。不过，有趣（qù）的是，在实验中，神经活动的（de）发生时间似乎比直接控（kòng）制肌肉和肢体运动的时（shí）间要长。

哈佛（fó）大（dà）学研究（jiū）生（shēng） Diego Aldarondo 说：

这意味着，这个（gè）网络反映了抽象（xiàng）尺度（dù）上的（de）行为，比如奔跑、跳（tiào）跃、旋转和其（qí）他（tā）直观（guān）的行为类别。这是一种先前（qián）被认（rèn）为仅存在于动物（wù）身上的（de）认知模型。

DeepMind 的（de）高级（jí）研（yán）究科学家 Josh Merel 表示，目（mù）前，他（tā）们已经对 AI 小（xiǎo）白鼠进（jìn）行了开源，希（xī）望其他研（yán）究人员能（néng）以此为（wéi）基础，去进行进一步的研究（jiū）。

加拿大麦（mài）吉尔大学的神（shén）经学家 Blake Richards 没（méi）有（yǒu）参与这项研究。他认为，虽然神经（jīng）网络不具备生理真实性，但它能够捕捉（zhuō）到（dào）足够（gòu）多的神经处理方式的重要特征，可以对神经活动影响（xiǎng）行为的（de）结果做出有用的预测。这种训（xùn）练神经网络的方法，更易于收集数据来与真（zhēn）实的生物数据（jù）进行比（bǐ）较。

他补充（chōng）道，“这（zhè）些虚拟（nǐ）大脑产生的数据或（huò）许比动（dòng）物真（zhēn）实（shí）大脑产生（shēng）的数（shù）据更有价（jià）值（zhí）。”

加拿大皇后大（dà）学的神经学家 Stephen Scott 表示，虽然人们必须谨慎对待在人工（gōng）神（shén）经网络和生物神经（jīng）网络之间进行过度比较，但这种方（fāng）法可（kě）能是探索行为神经基础一种富有成效（xiào）的方式。