《Current Opinion in Neurobiology》：Newborn embodied Turing tests: Benchmarks for unified models of animal development
编辑推荐：
构建动物智能的统一模型仍然是科学领域面临的核心挑战。一个关键障碍是缺乏用于检验模型是否像动物一样发展的基准测试。为了直接比较动物和模型的发展过程，两者必须在相同的环境中养育并接受相同的任务测试；否则，动物与模型之间的差异可能源于学习机制、训练数据或两者因素的组合差异。在此，我
构建动物智能的统一模型仍然是科学领域面临的核心挑战。一个关键障碍是缺乏用于检验模型是否像动物一样发展的基准测试。为了直接比较动物和模型的发展过程，两者必须在相同的环境中养育并接受相同的任务测试；否则，动物与模型之间的差异可能源于学习机制、训练数据或两者因素的组合差异。在此，我们回顾匹配经验的"新生体现式图灵测试"（NETTs）：这是一类用于比较新生动物与具身计算模型之间学习发展的新型发展性基准。脑模型被嵌入到身体模型中，然后在与动物饲养条件相匹配的虚拟环境中进行养育。模型基于其模拟动物发展轨迹的能力进行评估。NETTs为构建统一的、可扩展的且具有机制解释力的动物智能模型提供了坚实的方法论基础。
引言
科学与工程的重大目标之一是构建像生物系统一样学习的机器。人工智能的基础性工作[1, 2, 3, 4]为受生物学启发的、具有机制解释力的脑模型[5, 6, 7*?, 8*?]奠定了基础。近年来，深度学习的进步使研究人员能够构建模拟大脑核心功能各方面特性的模型，从视觉[9]、听觉[10,11]和嗅觉[12]等感觉处理，到运动控制[13,14]、语言[15]、导航[16]和记忆[17]等更高层次的能力。与此同时，具身人工智能领域的平行研究也表明，当智能体在真实感环境中接受训练时，它们会自发发展出类似生物系统的神经编码（例如，头方向细胞、网格细胞、位置细胞）和行为能力（例如，导航、物体识别、社会行为）[18, 19*?, 20, 21, 22, 23, 24*?, 25, 26]。
尽管取得了这些进展，该领域仍然缺乏像动物一样学习和发展的统一端到端模型。大多数研究仅隔离了子系统，或者使用与真实动物不同的经验来训练模型。这种不匹配使得我们无法判断大脑与模型之间的差异究竟源于学习机制、经验还是两者兼有。为了区分这些可能性，该领域需要严格的发展性基准来评估端到端的智能体模型是否像动物一样学习。此类基准必须满足两个关键标准：
- (1)
动物和模型必须在相匹配的环境中养育。
- (2)
动物和模型必须在相同的任务上进行测试。
第一个标准承认学习机制和经验（训练数据）共同塑造行为。为了隔离学习机制的影响，研究人员必须通过匹配动物和模型的身体与环境来固定经验变量。第二个标准承认学习度量是任务特定的[27]。因此，准确的比较要求动物和模型在相同的测试条件下接受评估。
尽管这些标准看似直观，但其实施一直颇具挑战。直到最近，人们还无法测量新生动物和模型在匹配环境中的学习方式。对于动物研究而言，这需要自动化的控制饲养方法。对于模型研究而言，这需要模拟平台来在与动物相同的匹配环境中养育和测试模型。
章节摘要
新生体现式图灵测试
为满足这些要求，我们创建了"新生体现式图灵测试"（NETTs）：一类发展性基准，用于评估具身模型是否在匹配的饲养条件下像新生动物一样学习（图1）。NETTs涉及在匹配的环境中养育新生动物和"新生"具身模型，并对它们进行相同任务的测试，从而允许对生物系统和人工系统之间的学习进行更直接的比较。
NETTs利用了三方面方法学创新。首先，自动化的
NETTs的核心原则
NETTs结合了三项方法学承诺，构成了严格的、基于生物学的动物发展模式化方法。下面，我们描述每项承诺当前的实施方式以及仍需改进的地方。
承诺#1：新生。新生承诺优先考虑能够涵盖有机体整个发展历史的模型。大多数神经科学和建模研究是"发展盲视"的：它们通常将成熟动物与已经训练过的模型进行比较，而
NETTs案例研究
先前的NETTs研究表明，一些曾被认为需要先天知识和硬编码规则的行为，实际上可以从领域通用的学习机制中获得（图2a）。例如，许多研究人员假设印随行为依赖于先天的、领域特定的学习机制。然而，当具身模型配备了深度强化学习、以领域通用的好奇心驱动奖励信号为动机，并在视觉环境中被养育时，它们会自发发展出印随行为
局限性与未来方向
先前的NETTs仅是动物发展的部分近似。大多数研究聚焦于视觉，而视觉与动物丰富的多模态学习信号（例如，听觉、触觉、前庭觉、本体感觉、内感受）存在差异。先前的NETTs还使用了简化的脑模型、感觉受体、动作空间和奖励函数，省略了许多生物学细节，包括皮层下回路、尖峰、节律、神经调节、半球特化以及饥饿等稳态驱动因素，
生成式AI和AI辅助技术在论文准备过程中的使用声明
在本文准备过程中，作者使用了ChatGPT来生成图片。在使用该工具/服务后，作者对内容进行了审查和必要的编辑，并对已发表文章的内容承担全部责任。
利益冲突声明
作者声明以下财务利益/个人关系，这些可能被认定为潜在的利益冲突：Justin Wood报告获得了James McDonnell基金会理解人类认知学者奖的财务支持。Justin Wood报告获得了Facebook人工智能奖的财务支持。Samantha Wood报告获得了AnalytiXIN的财务支持。如有其他作者，他们声明不存在已知的利益冲突
致谢
本研究由James McDonnell基金会理解人类认知学者奖（JNW）、Facebook人工智能奖（JNW）和AnalytiXIN奖（SMWW）资助。
Samantha M.W. Wood|Justin N. Wood
