脑机新探：为何神经AI离不开具身性

打破僵局：

神经人工智能为何需要具身认知

在众多卡通反派中，忍者神龟的宿敌克朗（Krang）备受神经科学家青睐。一场意外使他失去身体，仅剩浸泡在脑脊液中的大脑。无法行动的克朗请求同伴施莱德（Shredder）为他打造脑机接口与机械骨架，借此重生并联手对抗忍者神龟。

正如《忍者神龟》创作者所设想，许多神经科学家也倾向于将大脑视为脱离身体的存在，将其建模为一台纯粹的计算机器，处理输入并输出信息。

然而，“大脑孤立存在”的观点忽略了一个基本事实：大脑和神经系统是与身体共同进化的。

实际上，大脑的核心功能是协调身体运动，它并不直接接触外界，而是通过身体感知和行动。感觉输入来自感官器官，行动则依赖肌肉等执行器。因此，身体的生物力学特性深深嵌入大脑的功能中。动物的移动方式也决定了它们如何获取新的感官信息。最终，克朗仍需一个机械身体来实现其计划。动画片虽未详述调整过程，但背后必然涉及复杂的工程或进化逻辑。

具身性强调大脑功能受身体影响的必然性。尽管这不是新概念，但在研究高级认知功能时，神经科学家常忽视这一视角。幸运的是，神经人工智能领域正逐渐重视具身性。例如，2023年安东尼·扎多尔等人提出具身图灵测试；2024年美国国立卫生研究院的脑神经人工智能研讨会也将具身性作为核心主题。

本文探讨了具身智能的三大关键特征——反馈、生物力学和模块化。这些特征有助于构建真实大脑的计算模型，并推动人工神经网络设计，使其超越生成随机词的能力，高效完成现实任务。

01

反馈

Feedback

首先，反馈是生物神经网络的普遍特征。前馈模型（如从视网膜到外侧膝状体再到初级视觉皮层的信息流动）因其易解释性而流行，但适用范围有限。事实上，外侧膝状体的主要输入并非来自视网膜，还包含来自初级视觉皮层的显著反馈。生物系统高度依赖持续且多尺度的反馈：动物与环境互动，神经回路通过循环连接运作，器官根据彼此反馈调整功能，细胞通过基因调控自我修饰。将大脑视为被动计算引擎的观点忽略了动物行为对外界的影响。

02

生物力学

Biomechanical Features

其次，理解特定生物体的生物力学对解析其神经系统功能至关重要。例如，观看这段鳟鱼视频：它的身体随水流起伏，逆流游向石头。然而，这条“鱼”其实已死亡，其行为完全由涡流与鱼体生物力学相互作用产生。这表明，某些看似复杂的行为无需神经活动参与。利用生物体的机械智能可以简化非线性神经控制需求。

03

模块化

Modular

第三，大脑具有高度模块化特性。尽管整合式方法更全面，但深入研究特定部分仍有价值。模块间需相互连接，也可被视为瓶颈。例如，视网膜中的视网膜神经节细胞是唯一输出至其他视觉系统的细胞，而运动控制回路汇聚于与肌肉形成突触的运动神经元。这些瓶颈定义了模块，使得我们可构建彼此连接的计算模型，从而模拟虚拟动物的整体行为。不同子系统的模型可采用不同分辨率并从不同数据学习。

理解这三个特点有助于神经科学家从具身视角构建框架，但理论与实践之间仍存差距。毕竟，神经动力学已足够复杂，是否还需建模非线性肌肉骨骼动力学？将膀胱模型与纹状体模型结合有多迫切？我们必须权衡选择。幸运的是，生物数据集与人工智能方法的融合让选择变得稍显容易。科学家正在开发（并共享）逼真的全身动物模型，包括大鼠、小鼠和果蝇。目前模型仍较基础，但许多团队正努力添加逼真的肌肉与传感器。

这类新兴虚拟动物模型的最大特点是与大脑模型兼容。我们可以将大脑模型视为“控制器”，规划并执行行为，同时对感官刺激做出反应。主流软件平台MuJoCo用于模拟虚拟动物，其核心功能包括处理动态部位与环境间的复杂接触力及学习控制器以协调运动。如今，JAX加速实现的MuJoCo-MJX使研究人员能轻松训练全身虚拟动物。

▲ MuJoCo

即便如此，未来仍需补充更多功能。例如，灵活接口用于建模和微调闭环中的神经元网络，将加速构建集成神经力学模型。此外，快速模拟非刚性生物力学（如流固耦合、可变形骨骼元件及滑动肌肉致动器）将进一步拓展研究能力。

具身认知视角也有助于神经人工智能领域的新兴方向——动物大脑与行为的基础模型。基础模型旨在收集大量动物在不同情境下的神经活动与视频记录，训练神经网络预测动物对任意输入的反应。我们认为，若要对生物学有所贡献，必须关注每只动物的身体特性，而不仅是追踪关键点。人工神经网络或许学会游泳，但其方式可能与鱼脑完全不同——毕竟，死鱼也能逆流而上。大脑不直接控制关节位置，而是通过肌肉力量驱动身体。

软件工具、开放数据集与协作科学文化的结合，使现在成为探索神经人工智能具身认知的最佳时机。我们有望深入了解神经系统如何控制行为，并从更具动物行为学的角度看待人工智能——在这种视角下，大脑不再孤立，而是与其感知和控制的身体共存。正如斯普林特大师所言：“创造性思维需与自律的身体平衡。”