如果你在20世紀80年代長大，當前大腦或者喜歡玩老式視頻游戲，通訊你可能對《青蛙過河》很熟悉。何混這個游戲可能相當困難。亂中類要想成功，作出你必須首先穿過繁忙的決定據(jù)壓交通流，然后在移動的原理于數(shù)木板上走"之"字形，以避免摔進充滿危險的縮技術河里。大腦是當前大腦如何決定在這種混亂中注意什么的呢？

發(fā)表在科學雜志《自然-神經(jīng)科學》上的一項研究提供了一個可能的解決方案：數(shù)據(jù)壓縮。

(資料圖片)

該研究的通訊資深作者之一、葡萄牙Champalimaud基金會理論神經(jīng)科學實驗室負責人克里斯蒂安-馬肯斯說："壓縮外部世界的何混表征類似于消除所有不相關的信息并對情況采取臨時的'隧道視野'。"

"大腦通過使用數(shù)據(jù)壓縮使性能最大化，亂中類同時使成本最小化，作出這種想法在感官處理的決定據(jù)壓研究中普遍存在。然而，原理于數(shù)它還沒有真正在認知功能中得到研究，"資深作者、Champalimaud神經(jīng)科學研究項目主任Joe Paton說。"使用實驗和計算技術的組合，我們證明了這個相同的原則延伸到了比以前更廣泛的功能領域。

研究人員在他們的試驗中采用了一個計時范式。小鼠必須在每次試驗中決定兩個音調(diào)的間隔時間是大于還是小于1.5秒。當動物完成挑戰(zhàn)時，研究人員同時捕捉到其大腦中多巴胺神經(jīng)元的活動。

"眾所周知，多巴胺神經(jīng)元在學習行動的價值方面起著關鍵作用，"Machens解釋說。"因此，如果動物在某次試驗中錯誤地估計了間隔時間，那么這些神經(jīng)元的活動將產(chǎn)生一個'預測錯誤'，有助于提高未來試驗中的表現(xiàn)。"

為了確定哪種計算強化學習模型最能體現(xiàn)神經(jīng)元的活動和動物的行為，該研究的第一作者Asma Motiwala構建了一些模型。這些模型在如何表示可能與執(zhí)行任務有關的數(shù)據(jù)方面各不相同，但它們有某些共同的原則。

該小組發(fā)現(xiàn)，數(shù)據(jù)只能由具有壓縮任務表征的模型來解釋。

"大腦似乎會消除所有不相關的信息。奇怪的是，它顯然也擺脫了一些相關的信息，但還不足以對動物收集的總體獎勵的多少產(chǎn)生真正的打擊。小鼠顯然知道如何在這個游戲中取得成功，"Machens說。

有趣的是，所代表的信息類型不僅是關于任務本身的變量。相反，它還捕捉到了動物自身的行動。

"以前的研究側重于獨立于個體行為的環(huán)境特征。但我們發(fā)現(xiàn)，只有依賴于動物行為的壓縮表征才能完全解釋數(shù)據(jù)。事實上，我們的研究首次表明，學習外部世界表征的方式，可能以不尋常的方式與動物選擇如何行動相互作用，"Motiwala解釋說。

據(jù)作者稱，這一發(fā)現(xiàn)對神經(jīng)科學和人工智能有廣泛的影響。"雖然大腦顯然已經(jīng)進化到可以有效地處理信息，但人工智能算法往往通過蠻力解決問題：使用大量數(shù)據(jù)和大量參數(shù)。我們的工作提供了一套原則來指導未來的研究，即在生物學和人工智能的背景下，世界的內(nèi)部表征如何能夠支持智能行為，"Paton總結道。