谷歌DeepMind的一個團隊已經建立了一個“虛擬齧齒動物”，其中一個人工神經網路驅動了一個生物力學現實的大鼠模型。這有助於提供一個因果關係，生成模型，可以重現複雜的動物行為，而不僅僅是與它們相關。可以分析模型的內部結構，以獲得僅從真實的神經資料難以獲得的見解。
簡單地說：
- 他們訓練了一隻虛擬齧齒動物，讓它在物理模擬器中模仿自由移動的大鼠的全身運動。
- 然後，比較了真實的大鼠大腦的神經活動與虛擬齧齒動物的人工神經網路在執行相同行為時的啟用。
- 發現：逆動力學模型的AI神經網路更好地預測了神經活動。
- 這是相比其他模型：可測量的運動特徵（如關節的位置或速度）或替代控制模型。
背景
幾年前，我們開始探索模擬運動神經控制的方法，方法是根據我們實驗室大鼠的解剖資料建立大鼠的生物力學模型，並在物理引擎MuJoCo中實現。
我們給我們的虛擬老鼠賦予了一個人工神經網路“大腦”，並讓我們的虛擬朋友放鬆一系列任務，以弄清楚他們的人工大腦如何處理學習多種技能的問題。
雖然虛擬老鼠做了我們要求它們做的事情，但它們的動作看起來一點也不像真實的老鼠。我們開始改變這種情況，將無標記3D姿態估計與深度模仿學習相結合，以構建自然移動的虛擬齧齒動物。
逆動力學模型
通俗地說，我們訓練的ANN將所需的3D運動軌跡和感覺資訊轉換為執行該運動所需的運動命令。
從技術上講，這被稱為逆動力學模型。
運動神經系統的一個主要挑戰是實現逆動力學。我們在高水平上規劃運動，例如，伸手去拿一杯咖啡，我們的大腦和身體會把這個願望轉化為運動指令，讓我們攝入咖啡因。
如果大腦的某些部分實現了這種計算，我們應該在真實的動物的神經記錄中看到它的反映。為了驗證這一點，我們將控制虛擬大鼠的ANN活動與執行相同行為的真實的大鼠大腦中的神經活動聯絡起來。
我們發現，逆動力學模型預測紋狀體和運動皮層的活動比運動特徵和替代模型更好，這表明這種一般功能是對整個行為的神經活動結構的更簡潔的描述。
我們相信，這種方法建立在無數其他人的工作基礎上，廣泛適用於神經科學，因為它概述了一個框架來模擬神經對不同自然運動的控制。
總之，我們相信這種方法將有助於對日益複雜的動物行為的神經控制進行建模。
網友
1、把腦機介面BCI放進老鼠的大腦，模擬它的運動，並以驚人的準確度預測行為中的神經活動，基本上把生物力學和人工智慧結合起來。
啟示：
- 把模型化的人放在虛擬環境中，載入一個LLM，讓它具體化，加速模擬，然後到達AGI。
2、現代 VR 頭戴裝置完全基於視覺，以運動神經元作為遊戲輸入，因此很可能感覺非常真實。
3、BCI 是危險的，同樣的技術可以誘導感覺神經活動，可以誘導執行神經活動，並從根本上控制你的意志、決定和思想，而你卻不知道，即使你知道，也會讓你想要被控制。
4、在未來 3-4 年內，我們將看到某種形式的精確讀心術和思維視覺化。對未來充滿期待！
5、這樣的研究能用來為各種各樣的機器人“身體”建立通用控制系統