Multitasking Recurrent Networks Utilize Compositional Strategies for Control of Movement
本研究表明，通过在肌肉骨骼手臂模型上训练的多任务循环神经网络利用组合策略和共享的低维流形来灵活地生成并泛化复杂的运动，这表明具身性和反馈对于开发具有生物学合理性的运动控制机制至关重要。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人体是一件工程学上的奇迹，是一个复杂的机器，拥有数十个关节和数百块肌肉，它们必须完美协作才能产生哪怕是最简单的动作。然而，尽管存在如此巨大的复杂性，我们却能以惊人的速度学会骑自行车、投掷球或弹奏钢琴。当我们面对一种新的动作时，并不需要从头开始重新学习每一次肌肉收缩；相反，我们的大脑似乎依赖于一个基础构建模块的库。科学家们称这种能力为“组合性”（compositionality），即利用已掌握的熟悉技能碎片，将它们重新组合以解决陌生问题的能力。虽然研究人员长期以来一直怀疑大脑在思考和决策过程中使用了这种策略，但要证明同样的逻辑也适用于肢体移动这种杂乱的物理行为，则要困难得多。问题依然存在：大脑究竟只是死记硬背每一种可能的动作，还是学习了一套灵活的规则，从而使其能够即兴创造出新的动作？
为了回答这个问题，耶鲁大学的一个研究小组构建了一个数字大脑，并将其连接到一个模拟手臂上，创建了一个必须自主学习如何运动的系统。他们并没有通过特定指令来编程手臂如何触及或转向。相反，他们给了这个数字大脑一个简单的目标：将手移动到目标位置。大脑接收关于手部位置以及肌肉拉伸速度的信息，并必须找出完成任务所需的指令。随后，研究人员要求这个数字大脑学习十种不同类型的运动，从直线延伸到复杂的环形和“8”字形运动，且涵盖了各种速度和方向。其目的是观察在掌握这十项任务后，大脑是会自然地发展出一种组合方式，还是仅仅将每一项任务都作为独立的、孤立的技巧进行记忆。
结果显示，该数字大脑并不只是记住了十个独立的剧本。相反，它以一种高度结构化的方式组织其内部活动，这种方式反映了“组合性”的概念。当研究人员观察网络内部活动的模式时，他们发现大脑为所有运动使用了一个共享的低维空间。可以将这想象为一个所有演员共同表演的舞台；虽然具体的动作在变化，但舞台本身保持不变。在这个共享空间内，大脑将不同类型的计算隔离开来。例如，动作的准备阶段与动作执行阶段发生在不同的、互不重叠的活动区域，从而确保大脑可以在不意外启动动作的情况下进行规划。更重要的是，大脑将肢体的“延伸”（远离中心）和“回缩”（向中心移动）视为两个截然不同的、可重复使用的模块。这两个模块占据了各自独立的、正交的空间，这意味着它们被完全分开，以便随时进行混合与匹配。
研究人员通过要求数字大脑执行从未见过的动作来测试这种灵活性。他们发现，大脑可以成功执行一种新的组合，例如通过改变单个输入信号，将直线延伸中的“延伸”部分与曲线环形运动中的“回缩”部分结合起来。大脑不需要重新学习动作的力学原理；它只需要被告知从一个预先学习好的模块切换到另一个模块。这表明大脑已经掌握了运动的基本构建模块，并能瞬间将它们组装成新的模式。此外，研究人员发现，这种组合新动作的能力在很大程度上取决于大脑正在控制一个物理身体并接收来自身体的反馈。当他们训练没有身体或没有感觉反馈的类似网络时，这些网络无法发展出这种灵活的组合策略。相反，它们学会了僵化的、针对特定任务的解决方案，无法轻易进行调整。
这项研究为控制系统如何处理人体巨大的复杂性提供了一个清晰的窗口。它表明，大脑并不需要为每一种可能的动作存储一份独特的食谱。相反，它学习一套共享的、可重复使用的模式，并以一种允许快速组合的方式对其进行组织。通过使用一个用于相似任务的共享内部空间，并将不同类型的运动保持在不同的区域，该系统可以利用一小套已习得的原语（primitives）生成极其丰富的动作库。研究结果意味着，身体的物理约束以及来自肌肉的持续反馈不仅是需要克服的障碍，更是塑造大脑学习过程的重要引导，引导其走向灵活、高效且具备快速适应能力的解决方案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。