如果你在20世紀80年代長大，或者喜歡玩老式視頻遊戲，你可能對《青蛙過河》很熟悉。這個遊戲可能相當困難。要想成功，你必須首先穿過繁忙的交通流，然後在移動的木板上走”之”字形，以避免摔進充滿危險的河裡。大腦是如何決定在這種混亂中注意什麼的呢？
發表在科學雜誌《自然-神經科學》上的一項研究提供了一個可能的解決方案：數據壓縮。
該研究的資深作者之一、葡萄牙Champalimaud基金會理論神經科學實驗室負責人克里斯蒂安-馬肯斯說：”壓縮外部世界的表徵類似於消除所有不相關的信息並對情況採取臨時的’隧道視野’。”
“大腦通過使用數據壓縮使性能最大化，同時使成本最小化，這種想法在感官處理的研究中普遍存在。然而，它還沒有真正在認知功能中得到研究，”資深作者、Champalimaud神經科學研究項目主任Joe Paton說。”使用實驗和計算技術的組合，我們證明了這個相同的原則延伸到了比以前更廣泛的功能領域。
研究人員在他們的試驗中採用了一個計時範式。小鼠必須在每次試驗中決定兩個音調的間隔時間是大於還是小於1.5秒。當動物完成挑戰時，研究人員同時捕捉到其大腦中多巴胺神經元的活動。
“眾所周知，多巴胺神經元在學習行動的價值方面起着關鍵作用，”Machens解釋說。”因此，如果動物在某次試驗中錯誤地估計了間隔時間，那麼這些神經元的活動將產生一個’預測錯誤’，有助於提高未來試驗中的表現。”
為了確定哪種計算強化學習模型最能體現神經元的活動和動物的行為，該研究的第一作者Asma Motiwala構建了一些模型。這些模型在如何表示可能與執行任務有關的數據方面各不相同，但它們有某些共同的原則。
該小組發現，數據只能由具有壓縮任務表徵的模型來解釋。
“大腦似乎會消除所有不相關的信息。奇怪的是，它顯然也擺脫了一些相關的信息，但還不足以對動物收集的總體獎勵的多少產生真正的打擊。小鼠顯然知道如何在這個遊戲中取得成功，”Machens說。
有趣的是，所代表的信息類型不僅是關於任務本身的變量。相反，它還捕捉到了動物自身的行動。
“以前的研究側重於獨立於個體行為的環境特徵。但我們發現，只有依賴於動物行為的壓縮表徵才能完全解釋數據。事實上，我們的研究首次表明，學習外部世界表徵的方式，可能以不尋常的方式與動物選擇如何行動相互作用，”Motiwala解釋說。
據作者稱，這一發現對神經科學和人工智能有廣泛的影響。”雖然大腦顯然已經進化到可以有效地處理信息，但人工智能算法往往通過蠻力解決問題：使用大量數據和大量參數。我們的工作提供了一套原則來指導未來的研究，即在生物學和人工智能的背景下，世界的內部表徵如何能夠支持智能行為，”Paton總結道。