科学家们已经为人工智能提供了一条直接进入毫米级蠕虫神经系统的线路，让它引导这些生物到达美味的目标——并展示了引人入胜的大脑与人工智能的协作。他们使用一种名为深度强化学习的方法训练了人工智能；这种方法也被用于帮助人工智能玩家学习掌握围棋等游戏。人工神经网络是一种粗略地模仿生物大脑的软件，它分析一系列的动作和结果，提取人工智能“代理”与其环境互动并实现目标的策略。
在这项发表在《自然-机器智能》杂志上的研究中，研究人员训练了一个人工智能代理，以引导一毫米长的秀丽隐杆线虫蠕虫朝向四厘米培养皿中美味的大肠杆菌区域。附近的摄像头记录了每条蠕虫头部和身体的位置和方向；代理每秒三次接收前15帧的这些信息，使其对每一刻的过去和现在都有感知。代理还可以打开或关闭对准培养皿的光。这些蠕虫经过光遗传学工程改造，因此某些神经元会在光照下变得活跃或不活跃，有时会促使运动。
研究团队测试了六种遗传品系，其中光敏神经元的数量从一条到蠕虫拥有的全部302条不等。刺激在每个品系中都有不同的效果，例如使蠕虫转弯或阻止其转弯。科学家们首先通过随机向蠕虫闪烁光线五小时来收集训练数据，然后将数据馈送到人工智能代理以寻找模式，然后在让代理自由行动之前进行设置。
支持科学新闻业
如果您喜欢这篇文章，请考虑通过 订阅来支持我们屡获殊荣的新闻报道。通过购买订阅，您将帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
在六个品系中的五个品系中，包括所有神经元都对光反应的品系，代理学会了比蠕虫单独留下或光随机闪烁更快地引导蠕虫到达目标。更重要的是，代理和蠕虫进行了合作：如果代理引导蠕虫径直朝向目标，但路径上有小的障碍物，蠕虫会绕过它们爬行。
澳大利亚昆士兰大学的工程师 T. Thang Vo-Doan 独立研究了赛博格昆虫，他赞扬这项工作设置简单——强化学习是灵活的，基于它的 AI 可以弄清楚如何执行复杂的任务。哈佛大学生物物理学家陈光力（音译）是该论文的主要作者，他表示，“人们很容易看出如何将其扩展到更困难的问题。” 她的团队现在正在探索他们的方法是否可以通过调整所用电压及其时序来改进用于治疗人类帕金森病的电极深部脑刺激。李说，有一天，强化学习加上植入物甚至可能赋予我们新的技能——人工和真实的神经网络结合在一起。