人工智能如何向小鼠学习：神经网络受益于生物数据

　　

• 慕尼黑工业大学的研究人员利用早期视觉系统发育中的生物数据训练人工神经网络。

• 与没有经过这种预训练的网络相比，这些网络能够更快、更准确地完成任务。

• 他们在预测动画动作和预测真实世界镜头中的动作方面超越了那些人。

精准预测运动的能力不仅对人类和动物至关重要，对从自动驾驶到机器人等众多人工智能应用也至关重要。慕尼黑工业大学 (TUM) 的研究人员现已发现，当利用早期视觉系统发育的生物数据进行训练时，人工神经网络能够更好地完成这项任务。

无论是小鼠、猫还是人类：早在脊椎动物睁开眼睛之前，视网膜中就已经启动了一个内置的训练程序——完全独立于外界刺激。自发活动模式以波浪状运动在眼睛的神经组织中传播。这种被称为“视网膜波”的神经活动协调着视网膜和大脑视觉系统之间的早期连接。在某种程度上，眼睛在接触现实世界之前就开始练习视觉。

慕尼黑工业大学的研究人员现已证明，模拟大脑功能的人工神经网络也能从这种预训练中受益。“人工神经网络通常使用与其预期执行任务非常相似的数据进行训练。类比于生物体视觉系统的发育过程，它们的学习过程仅在眼睛睁开时才开始。我们从大自然中汲取灵感，将类似于生物视觉系统的预训练阶段融入到神经网络的训练中，”慕尼黑工业大学计算神经科学教授Julijana Gjorgjieva说道。

预训练带来更快、更准确的预测
第一步，团队研究了使用视网膜波进行训练是否会影响神经网络的性能。为此，他们以不同的方式训练了不同的网络：一组网络使用小鼠的视网膜波数据进行预训练。之后，这些网络使用一部动画影片进行训练，该影片模拟了小鼠在绘有各种几何图案的狭窄走廊中奔跑的视角。另一组网络仅使用动画影片进行训练，无需任何预训练。

所有网络的任务都相同：它们必须准确预测模拟走廊墙壁上的视觉图案将如何演变。经过视网膜波预训练的网络比未进行预训练的网络更快、更准确地完成任务。为了排除性能提升仅仅归因于较长训练时间的可能性，研究人员进行了另一轮实验，缩短了预训练网络在动画上训练的时间。这确保了所有网络的总体训练时长相同。即便如此，预训练网络在速度和精度方面仍然优于其他网络。

即使使用真实世界的镜头，也能获得更佳表现
。最后，团队提高了难度。他们使用运动摄像机从一只流浪猫的视角拍摄的真实世界镜头来训练网络，展现猫咪所见的景象。视频质量低于动画，动作也更加复杂。然而，再次证明，预先使用视网膜波进行训练的网络表现优于其他所有网络。

Pre-training artificial neural networks with spontaneous retinal activity improves motion prediction in natural scenes