生成式人工智能揭示了在学习一项熟练的抓取任务过程中，神经行为耦合的上升与随后的下降

《Communications Biology》：Rise and subsequent fall in neuro-behavioral coupling during learning a skilled reaching task is revealed by generative AI

　　

摘要

理解神经元活动与动物行为之间的复杂关系是神经科学领域的核心问题。人工智能技术的快速发展为研究运动皮层活动与身体动作之间的高度非线性映射提供了强大的工具。在此，我们开发了一种生成对抗网络，该网络能够仅通过少数选定神经元的活动来重现大鼠的行为视频。分析还表明，随着大鼠学习新任务，从神经元活动预测行为（以及反之）的准确性最初会提升。然而，当大鼠在运动任务中的表现达到所需精度后，神经元活动与行为之间的关联度会下降，但任务表现并不会因此变差。一种合理的解释是，在训练初期到中期，越来越多的神经元参与其中，形成更为密集且分布更广的表征；而在训练后期，则会演变为一种更为稀疏、能量效率更高的表征，仅有少量经过调优的神经元参与。神经元网络模拟表明，这种编码策略的变化可能是神经元为降低能量消耗而做出的调整。因此，我们的研究揭示了学习阶段与神经-行为关联之间的非线性关系，而这很可能是由能量效率驱动的。