谷歌DeepMind的一个团队已经建立了一个“虚拟啮齿动物”，其中一个人工神经网络驱动了一个生物力学现实的大鼠模型。这有助于提供一个因果关系，生成模型，可以重现复杂的动物行为，而不仅仅是与它们相关。可以分析模型的内部结构，以获得仅从真实的神经数据难以获得的见解。
简单地说：
- 他们训练了一只虚拟啮齿动物，让它在物理模拟器中模仿自由移动的大鼠的全身运动。
- 然后，比较了真实的大鼠大脑的神经活动与虚拟啮齿动物的人工神经网络在执行相同行为时的激活。
- 发现：逆动力学模型的AI神经网络更好地预测了神经活动。
- 这是相比其他模型：可测量的运动特征（如关节的位置或速度）或替代控制模型。
背景
几年前，我们开始探索模拟运动神经控制的方法，方法是根据我们实验室大鼠的解剖数据创建大鼠的生物力学模型，并在物理引擎MuJoCo中实现。
我们给我们的虚拟老鼠赋予了一个人工神经网络“大脑”，并让我们的虚拟朋友放松一系列任务，以弄清楚他们的人工大脑如何处理学习多种技能的问题。
虽然虚拟老鼠做了我们要求它们做的事情，但它们的动作看起来一点也不像真实的老鼠。我们开始改变这种情况，将无标记3D姿态估计与深度模仿学习相结合，以构建自然移动的虚拟啮齿动物。
逆动力学模型
通俗地说，我们训练的ANN将所需的3D运动轨迹和感觉信息转换为执行该运动所需的运动命令。
从技术上讲，这被称为逆动力学模型。
运动神经系统的一个主要挑战是实现逆动力学。我们在高水平上规划运动，例如，伸手去拿一杯咖啡，我们的大脑和身体会把这个愿望转化为运动指令，让我们摄入咖啡因。
如果大脑的某些部分实现了这种计算，我们应该在真实的动物的神经记录中看到它的反映。为了验证这一点，我们将控制虚拟大鼠的ANN活动与执行相同行为的真实的大鼠大脑中的神经活动联系起来。
我们发现，逆动力学模型预测纹状体和运动皮层的活动比运动特征和替代模型更好，这表明这种一般功能是对整个行为的神经活动结构的更简洁的描述。
我们相信，这种方法建立在无数其他人的工作基础上，广泛适用于神经科学，因为它概述了一个框架来模拟神经对不同自然运动的控制。
总之，我们相信这种方法将有助于对日益复杂的动物行为的神经控制进行建模。
网友
1、把脑机接口BCI放进老鼠的大脑，模拟它的运动，并以惊人的准确度预测行为中的神经活动，基本上把生物力学和人工智能结合起来。
启示：
- 把模型化的人放在虚拟环境中，加载一个LLM，让它具体化，加速模拟，然后到达AGI。
2、现代 VR 头戴设备完全基于视觉，以运动神经元作为游戏输入，因此很可能感觉非常真实。
3、BCI 是危险的，同样的技术可以诱导感觉神经活动，可以诱导执行神经活动，并从根本上控制你的意志、决定和思想，而你却不知道，即使你知道，也会让你想要被控制。
4、在未来 3-4 年内，我们将看到某种形式的精确读心术和思维可视化。对未来充满期待！
5、这样的研究能用来为各种各样的机器人“身体”创建通用控制系统