编辑推荐：
：越来越多的实验研究表明，神经影像数据可用于提升人工智能模型的性能，包括机器人领域的强化学习模型。然而，现有研究大多聚焦于视觉、听觉、语言或奖赏与误差信号，这些信号通常是在人脑作为观察者时记录的。本文认为，人形机器人虽与人类不等同，但可为利用与触觉或其他具身依
：越来越多的实验研究表明，神经影像数据可用于提升人工智能模型的性能，包括机器人领域的强化学习模型。然而，现有研究大多聚焦于视觉、听觉、语言或奖赏与误差信号，这些信号通常是在人脑作为观察者时记录的。本文认为，人形机器人虽与人类不等同，但可为利用与触觉或其他具身依赖神经信号相关的神经活动提供独特机会。因此，人形机器人可显著拓展脑训练人工智能可靶向的脑区与功能网络范围，并为对齐（alignment）与推理（reasoning）开辟新前景。研究人员讨论了神经影像数据在感觉运动任务（sensorimotor tasks）、空间导航（spatial navigation）、感觉运动整合（sensorimotor integration）、具身对齐（embodied alignment）、具身推理（embodied reasoning）及社会整合（social integration）等情境中可能带来的性能提升，并探讨了与脑训练人形机器人相关的更广泛挑战与机遇。
论文解读：
一、研究背景与问题
近年来，脑训练人工智能（brain-trained AI）逐渐成为一个新兴研究方向，其核心思想是利用人类神经影像数据直接优化机器学习、深度学习或强化学习模型的性能。已有研究在视觉、听觉和语言领域取得了进展，例如利用功能性磁共振成像（fMRI）和脑电图（EEG）数据优化视觉模型，或利用脑磁图（MEG）数据对齐语言模型与人类语义表征。然而，现有研究大多集中于相对“去具身化”（disembodied）的认知过程，如视觉、听觉、语言或观察性奖赏与误差信号，而触觉、运动控制等高度依赖身体形态的认知过程所对应的神经信号，在当前的脑训练人工智能研究中几乎缺失。这一缺失的原因在于，利用这类信号需要具备与人体相当的感觉运动能力和环境可供性。人形机器人虽然与人类存在解剖、功能及发育上的差异，但其形态设计使其能够与为人类设计的环境交互，因而可能成为利用具身依赖神经信号的独特载体。基于此，研究人员提出假设：随着人形机器人技术日益接近人类，它们可能越来越适合纳入人类大脑的具身依赖认知过程，从而开辟“脑训练人形机器人”（brain-trained humanoid robots）这一新方向。
二、研究内容与结论
本文是一篇观点性论文，旨在论证人形机器人能够显著拓展脑训练人工智能可用的神经信号范围。研究人员首先回顾了人形机器人在操作、运动和学习方面的技术进展，指出尽管人形机器人与人类存在“具身鸿沟”（embodiment gap），但已有的行为迁移研究提示，与人类行为相关联的高层神经表征也可能实现迁移。随后，论文提出了两种计算策略：一种是在模仿学习中引入不确定性信号（uncertainty signals）来调节策略优化目标，使机器人对演示者信心不足的示范更加谨慎；另一种是引入惊讶信号（surprise signals）来上调高惊讶情境下的学习权重，使机器人更果断地从演示者自身也感到意外的示范中学习。在此基础上，论文系统提出了六种可受益于脑训练的人形机器人功能，并逐一讨论了对应的脑区、记录情境和潜在神经影像技术。最后，论文讨论了神经信号提取的精度要求、侵入性与非侵入性技术的适用场景，以及过度拟人化等伦理挑战。
三、主要技术方法
本文并未开展实验研究，而是基于文献综述和理论分析提出研究框架。主要方法包括：梳理脑训练人工智能在视觉、听觉、语言和机器人领域的现有研究；借鉴脑训练基础模型（brain-trained foundation models）的理论框架，将神经影像数据视为行为数据的补充训练资源；提出两种基于模仿学习的计算策略，分别利用不确定性信号和惊讶信号调节策略优化目标；并结合神经科学文献，为六种人形机器人功能匹配相应的脑区和神经影像技术方案。文中提到的神经影像技术包括fMRI、MEG、EEG、功能性近红外光谱（fNIRS）以及侵入性技术如皮层内电极阵列和颅内脑电图（iEEG）。
四、研究结果
4.1 感觉运动任务
感觉运动任务在人脑中涉及躯体感觉皮层、运动皮层、后顶叶皮层（PPC）和小脑。人形机器人的感觉运动能力发展仍具挑战，触觉反馈方法逐渐展现潜力。研究人员提出，可在人类进行复杂操作（如处理易碎、可变形或不规则物体）时记录脑活动，利用神经信号调节模型训练，使机器人对齐人类感觉运动表征。fMRI或MEG等非便携技术与EEG或fNIRS等便携技术均可考虑。
4.2 空间导航
空间导航涉及海马体和内嗅皮层。人形机器人在人类共存环境中实现稳健导航仍是难题。研究人员提出，可在人类导航复杂环境（如人群密集、变化或非结构化空间）时记录脑活动，利用惊讶信号等神经信号对齐人类导航表征。虚拟现实与非便携技术结合，以及便携技术在真实环境中的应用，均被视为可行路径。
4.3 感觉运动整合
感觉运动整合涉及PPC、前运动皮层和辅助运动区（SMA）。获取身体图式是人形机器人研究的当前前沿之一。研究人员提出，可在人类进行复杂运动（如同时执行感觉运动任务与空间导航）时记录脑活动，利用神经信号对齐人类整合表征。便携技术可能更为适用，但新型可移动正电子发射断层扫描（PET）原型也为更广泛场景下的脑活动记录提供了新可能。
4.4 具身对齐
价值评估涉及腹侧纹状体、腹内侧前额叶皮层（vmPFC）、眶额皮层（OFC）和脑岛。现有脑训练机器人研究主要利用观察性奖赏与误差信号，但具身依赖的价值信号尚未被充分利用。研究人员提出，可在人类进行需要具身价值评估的活动时记录脑活动，使机器人对齐人类具身价值与偏好，这一过程被称为“具身对齐”。该方向有望提升人形机器人在真实情境中遵循人类价值与偏好的能力。
4.5 具身推理
执行功能涉及背外侧前额叶皮层（DLPFC）、前扣带皮层（ACC）和额极皮层（FPC）。开放环境中的人形机器人需要规划多步行动序列。研究人员提出，可在人类在真实物理或生物约束下规划行动序列时记录脑活动，训练机器人在相似或相关约束下进行推理，这一过程被称为“具身推理”。该方向有望提升机器人在不确定、变化和开放环境中执行与规划行动的能力。
4.6 社会整合
社会整合涉及颞顶联合区（TPJ）、内侧前额叶皮层（mPFC）和颞上沟（STS）。人机交互的自然化是人形机器人研究的当前前沿。研究人员提出，可在人类进行明确界定的社会行为（如定向注意、情绪识别或心理理论）时记录脑活动，使机器人对齐有意义的人类社会表征。价值、执行与社交能力在真实情境中可能互补，提示可同时纳入多种神经信号。
五、讨论与结论
讨论部分指出，脑训练人形机器人的首要挑战在于人形形态与人类身体在感觉运动能力上的差异，这可能使神经表征迁移比视觉或听觉领域更为困难。神经影像数据集的稀缺也是一项挑战，但利用预训练模型生成合成神经影像数据可能是一种解决方案。此外，脑训练人形机器人还可作为人类认知的具身计算模型，为神经科学研究提供实验平台，甚至在未来成为合成神经影像数据的具身生成器。伦理方面，最显著的风险是过度拟人化，可能导致人类对人形机器人能力产生不切实际的期望。研究人员建议，神经信号的引入应以提升功能且不损害机器人本质的透明性为原则。研究结论指出，脑训练人形机器人可能将科幻作品中“正电子脑”的概念向现实推进，通过利用无法在去具身化人工智能系统中有效利用的具身依赖神经信号，显著拓展脑训练人工智能的可迁移神经表征范围，从而在感觉运动任务、空间导航、感觉运动整合、具身对齐、具身推理和社会整合等方面提升人形机器人能力，同时需负责任地应对过度拟人化风险。
