🤖 AI

Navigating Simply, Aligning Deeply: Winning Solutions for Mouse vs. AI 2025

HCMUS_TheFangs 团队通过证明轻量化、简单的架构在视觉鲁棒性方面表现出色，而更深层、高容量的模型在神经对齐方面更具优势，从而在 NeurIPS 2025 “小鼠 vs. AI”竞赛的两个赛道中均取得了获胜成绩，揭示了最优性能取决于将架构复杂度与特定任务目标相匹配，而非单纯追求模型规模的最大化。

原作者： Phu-Hoa Pham, Chi-Nguyen Tran, Dao Sy Duy Minh, Nguyen Lam Phu Quy, Huynh Trung Kiet

发布于 2026-02-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Phu-Hoa Pham, Chi-Nguyen Tran, Dao Sy Duy Minh, Nguyen Lam Phu Quy, Huynh Trung Kiet

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一场人工智能智能体与真实小鼠进行竞赛，看谁能在 3D 迷宫中更快找到隐藏的球。但这里有一个转折：比赛有两个目标截然不同的评委。

竞赛：“小鼠 vs. AI”
这就像是一场驾驶测试。

赛道 1（“恶劣天气”测试）： 第一位评委想观察 AI 在天气变化时是否仍能驾驶迷宫。如果突然起雾了怎么办？如果灯光闪烁或太阳落山了怎么办？其目标是鲁棒性（Robustness）——当环境变得混乱时，AI 是否能保持正常工作？
赛道 2（“脑部扫描”测试）： 第二位评委并不关心 AI 是否赢得了比赛。相反，他们想知道：AI 的大脑运作方式是否像小鼠的大脑一样？ 他们拥有 19,000 个真实小鼠神经元在小鼠奔跑时放电的记录。其目标是对齐性（Alignment）——AI 的内部处理过程是否符合生物学特征？

大惊喜：简单 vs. 复杂
来自越南国家大学胡志明市下属科学大学的团队（HCMUS_TheFangs 队）带着一个令人惊讶的发现参赛：一种方案并不适用于所有场景。

1. 对于“恶劣天气”测试（赛道 1）：保持简单

该团队尝试构建了一个拥有许多层（类似于深度神经网络）的超复杂 AI 大脑。这就像是给 AI 一本巨大的、复杂的百科全书让它去背诵。

发生了什么： 这个复杂的 AI 完美地记住了训练用的迷宫，但当雾气袭来时，它就陷入了停滞。它太过于特异化了。
获胜方案： 他们转向了一个微小的两层大脑（“SimpleCNN”）。你可以把它想象成一个精通交通规则的街头聪明人，他了解基本的道路规则，但不会过度思考每一个细节。
秘诀所在： 他们添加了两个简单的工具：
1. 归一化（Normalization）： 这就像戴上墨镜。它帮助 AI 忽略亮度或颜色的突然变化，从而专注于路径的形状。
2. 门控机制（GLU）： 这就像俱乐部的保镖。它允许有用的信息进入，同时阻挡“噪声”或令人困惑的视觉静态干扰。
结果： 这个简单的、“街头聪明型”的 AI 以 95.4% 的得分获胜。它证明了，为了在怪异天气中生存，你不需要一台超级计算机；你需要一个简单且具有适应性的系统。

2. 对于“脑部扫描”测试（赛道 2）：向深处进发

当目标变为模仿小鼠的大脑时，策略发生了反转。微小的 AI 已经不够用了。

问题所在： 小鼠的大脑是一个庞大且复杂的层级结构。它同时处理简单的边缘、形状和物体。一个微小的 AI 无法捕捉到这种深度。
获胜方案： 他们构建了一个深层的 16 层 ResNet。你可以把它想象成一个拥有 1780 万本书（参数）的巨大图书馆。它拥有足够的“脑力”来理解小鼠观察世界时那种复杂的、分层的模式。
结果： 这个深层的、复杂的模型在神经对齐方面夺得了榜首。它表明，为了模仿生物学，你确实需要一个庞大且复杂的大脑。

“甜点区”的发现

该团队还注意到关于训练时间的一个奇怪现象。你可能会认为：“如果我训练 AI 更久，它会变得更好。”

现实情况： 这并不是一条直线。他们测试了不同训练时长（从 6 万步到超过 100 万步）的模型。
发现： 最好的模型通常出现在 20 万步左右。如果训练得太久（比如 100 万步），模型的效果反而会变差。
类比： 这就像为了考试而学习。如果你学得太少，你一无所知；如果你学得恰到好处，你会考出好成绩；但如果你没日没夜地连续学习而不停歇，你会感到精疲力竭，开始遗忘基础知识，并犯下愚蠢的错误。那个“完美”的模型，是那些在开始过度思考之前停止训练的模型。

哪些失败了？

该团队尝试了许多花哨的想法，但都没有奏效：

InceptionNet： 一种非常复杂的架构，但它根本拒绝学习任何东西。
数据增强（Data Augmentation）： 他们尝试人工制造一些奇怪的训练图像（如雨天、夜晚等）来教导 AI。令人惊讶的是，这反而让 AI 变得更糟了。这就像试图通过展示着火的汽车照片来教人开车；这只会让 AI 感到困惑，而不是有所帮助。
LSTM（记忆）： 他们尝试给 AI 一个“记忆”来记住过去的帧。这破坏了 AI 清晰观察二维图像的能力，使其变得笨拙。

总结

论文的结论给出了一个清晰的教训：

如果你想要一个在多变环境中坚韧且可靠的 AI，请保持简单。不要过度设计。
如果你想要一个模仿生物学的 AI，你需要复杂性和深度，以匹配生物大脑的丰富性。

该团队不仅找到了赢家，还表明了“最佳”AI 设计完全取决于你的目标是什么。有时，少即是多；有时，你需要整个图书馆。

技术摘要：简单导航，深度对齐

问题陈述

本文探讨了人工智能智能体中的“鲁棒性差距”问题，即深度强化学习（RL）系统在遇到训练分布之外的视觉扰动时往往会失效，而生物系统（特别是小鼠）在不同条件下仍能保持稳定的导航能力。作者参与了 NeurIPS 2025 “小鼠 vs. AI：鲁棒视觉觅食”竞赛，该竞赛评估了两个截然不同且互补的赛道：

赛道 1（视觉鲁棒性）： 通过平均成功率（ASR）和修正成功率（MSR）的加权平均值，衡量智能体对留存视觉扰动（如雾气、光照变化）的泛化能力。
赛道 2（神经对齐）： 评估智能体的内部视觉表示预测同一任务中从小鼠视觉皮层记录到的超过 19,000 个神经元活动的表现，使用线性读取 $R^2$ 指标进行评估。

核心挑战在于这两个目标之间的张力：行为鲁棒性通常倾向于从低级统计特性中抽象出来，而神经对齐可能需要保留详细的刺激结构。

方法论

作者（HCMUS_TheFangs 团队）放弃了“复杂视觉任务需要相应复杂架构”的传统观念。相反，他们采取了一种双策略方法，开发了针对每个赛道特定需求优化的不同架构。

赛道 1：用于鲁棒性的轻量级架构

针对视觉鲁棒性，团队开发了名为 SimpleCNN 的架构，优先考虑通过简洁性来防止过拟尝试。

架构： 一个两层卷积骨干网络，采用激进的空间下采样（8×8 卷积核，步长 4；随后为 4×4 卷积核，步长 2）。
增强功能：
- 门控线性单元 (GLU)： 一个使用 Swish 激活函数进行特征变换并使用 Sigmoid 进行门控的模块，能够实现选择性的信息流，以抑制对噪声敏感的组件。
- 观测归一化： 应用运行统计数据（指数移动平均）于输入，以确保对全局照明变化的不变性。
训练： 采用两阶段策略，先训练骨干网络，随后添加 GLU 模块。

赛道 2：用于神经对齐的深度架构

针对神经对齐，团队采用了 类深层 ResNet 架构，旨在捕捉镜像生物视觉皮层的层次化表示。

架构： 16 层卷积层，组织成具有渐进式通道扩张（64 → 128 → 256 → 512）的残差块。
机制： 结合了基于 GLU 的门控，用于自适应特征路由。该模型包含 1780 万个参数，显著大于赛道 1 模型（140 万）。
训练： 对 60K 到 1.14M 步的训练时长进行了广泛实验，每 20K 步保存一次检查点，以分析训练时间与性能之间的关系。

失败的方法

论文系统地记录了几种表现不佳的方法：

InceptionNet： 完全无法收敛。
深层 ResNet (24 层)： 虽然取得了较高的训练性能，但由于严重的过拟合，在扰动下的性能下降了 35%。
集成 LSTM： 导致训练不稳定和性能崩溃，很可能是由于破坏了 2D 空间结构。
朴素数据增强： 出人意料地降低了性能（从 87.7% 降至 59.8%），因为它引入了分布失配。

关键结果

赛道 1：视觉鲁棒性

带有 GLU 和归一化的轻量级 SimpleCNN 取得了 95.4% 的最终得分，夺得第一名。

消融实验： 观测归一化提供了最大的增益（+3.8%），其次是 GLU（+0.2%）。
对比： 24 层 ResNet 基准模型的得分仅为 65.98%，凸显了增加深度在这种情况下反而会损害泛化能力。SimpleCNN 在 ASR（96.80%）和 MSR（94.00%）之间保持了极小的差距，而深层 ResNet 则存在 30 个百分点的差距。

赛道 2：神经对齐

深层 ResNet 架构在神经对齐指标上达到了 第一名（得分：0.1517）。

容量： 17.8M 参数的模型显著优于轻量级 SimpleCNN（排名第 13，得分 0.1451），这表明捕捉生物表示需要庞大的模型容量。
非单调训练： 一个关键发现是训练时长与性能之间存在非单调关系。最佳检查点出现在 200K 步 左右（排名第 2），其表现几乎与训练了 1.14M 步的模型（排名第 1）相当。训练时长处于中间阶段的模型（例如 520K 步）表现甚至不如训练时间极短的模型（80K 步），这表明长时间训练即使在神经对齐任务中也可能导致过拟合或灾难性遗忘。

核心贡献

用于鲁棒性的架构简洁性： 证明了带有针对性增强功能（GLU、归一化）的轻量级两层 CNN 显著优于复杂的深层网络，用于处理视觉鲁棒性问题，挑战了关于模型需求的假设。
用于神经对齐的容量： 表明虽然简单的模型在行为鲁棒性方面表现出色，但要实现卓越的神经对齐，需要具有更大容量的深层架构，这反映了生物视觉处理的层次化复杂性。
失败案例的记录： 系统地分析了失败的方法（InceptionNet、深层 ResNet、LSTM、朴素增强），为避免常见的鲁棒视觉 RL 陷阱提供了实践指导。
训练动态分析： 揭示了训练时长与性能之间的非单调关系，指出最佳检查点通常在收敛之前（约 200K 步）就会出现。

意义与主张

本文声称通过挑战关于模型复杂度的传统假设，为开发鲁棒的、受生物启发的视觉智能体提供了实践指导。作者认为，行为能力并不一定意味着生物学上的合理性；用于在视觉扰动中生存的最优架构，与用于模拟神经活动的最优架构有着本质的区别。

通过证明“简单更好”有利于鲁棒性，而“更深更好”有利于对齐，这项工作表明，鲁棒性和生物合理性这两个目标之间可能存在张力，需要不同的架构选择。研究结果强调了任务适宜的归纳偏置的重要性，以及在训练至收敛前进行系统性检查点分析的价值。