大腦如何在運(yùn)動(dòng)中解讀運(yùn)動(dòng)

關(guān)注視頻號(hào)：丘腦大叔

早上好，我是腦叔，一個(gè)愛(ài)聊腦的家伙。

想象一下，你正坐在火車上。你向窗外望去，看到旁邊軌道上另一列火車似乎正在行駛。但是，是你的火車停了下來(lái)而另一列火車在行駛，還是你在移動(dòng)而另一列火車停了下來(lái)？

同樣的感官體驗(yàn)——看到一列火車——卻能產(chǎn)生兩種截然不同的感知，讓你感覺(jué)自己在運(yùn)動(dòng)，或者感覺(jué)自己靜止不動(dòng)而周圍有物體在移動(dòng)。

人腦不斷地面對(duì)著這種模糊的感覺(jué)輸入。為了消除這種模糊性并正確感知世界，我們的大腦會(huì)運(yùn)用一種被稱為因果推理的過(guò)程。

因果推理是學(xué)習(xí)、推理和決策的關(guān)鍵，但研究人員目前對(duì)參與這一過(guò)程的神經(jīng)元知之甚少。

在發(fā)表于《eLife》期刊的一篇新論文中，羅切斯特大學(xué)的研究人員，包括喬治·伊士曼腦與認(rèn)知科學(xué)教授格雷格·德安吉利斯（Greg DeAngelis）及其在成均館大學(xué)和紐約大學(xué)的同事，描述了一種參與因果推理的新型神經(jīng)機(jī)制，該機(jī)制有助于大腦在自身運(yùn)動(dòng)過(guò)程中檢測(cè)物體的運(yùn)動(dòng)。

“雖然此前人們對(duì)大腦如何處理視覺(jué)運(yùn)動(dòng)已有諸多了解，但大多數(shù)神經(jīng)元實(shí)驗(yàn)室研究都忽略了自身運(yùn)動(dòng)帶來(lái)的復(fù)雜性，”德安吉利斯說(shuō)。“在自然條件下，大腦識(shí)別物體在世界中的運(yùn)動(dòng)方式要困難得多。”

現(xiàn)在想象一下，一頭靜止不動(dòng)、蹲伏著等待獵物的獅子；對(duì)獅子來(lái)說(shuō)，發(fā)現(xiàn)一只移動(dòng)的瞪羚輕而易舉。就像靜止的獅子一樣，當(dāng)觀察者靜止不動(dòng)時(shí)，她很容易察覺(jué)到周圍物體的運(yùn)動(dòng)，因?yàn)橹車矬w的運(yùn)動(dòng)會(huì)直接映射到視網(wǎng)膜上的運(yùn)動(dòng)。然而，當(dāng)觀察者自身也在移動(dòng)時(shí)，由于她相對(duì)于場(chǎng)景中物體的位置變化，她的眼睛會(huì)接收到視網(wǎng)膜上所有位置的運(yùn)動(dòng)信息。這導(dǎo)致了一種復(fù)雜的運(yùn)動(dòng)模式，使得大腦更難區(qū)分物體是在運(yùn)動(dòng)還是靜止；在這種情況下，大腦必須區(qū)分觀察者自身產(chǎn)生的圖像運(yùn)動(dòng)和周圍其他物體產(chǎn)生的圖像運(yùn)動(dòng)。

研究人員在大腦中發(fā)現(xiàn)了一種具有特定反應(yīng)特性組合的神經(jīng)元，這種神經(jīng)元非常適合用于區(qū)分自身運(yùn)動(dòng)和其他物體的運(yùn)動(dòng)。

“雖然大腦可能使用多種技巧來(lái)解決這個(gè)問(wèn)題，但這種新機(jī)制的優(yōu)勢(shì)在于它可以并行地在視野的每個(gè)局部區(qū)域執(zhí)行，因此可能比更全局的處理速度更快，”德安吉利斯說(shuō)道。 “這種機(jī)制或許也適用于自動(dòng)駕駛汽車，它們同樣需要快速檢測(cè)移動(dòng)物體。”

2020 年，羅切斯特大學(xué)等多個(gè)機(jī)構(gòu)的研究人員，獲得了 1220 萬(wàn)美元的撥款，用于研究大腦如何利用因果推理來(lái)區(qū)分自身運(yùn)動(dòng)和物體運(yùn)動(dòng)。

“這項(xiàng)NIH腦計(jì)劃獎(jiǎng)是腦與認(rèn)知科學(xué)系歷史上獲得的最大科研獎(jiǎng)項(xiàng)，”羅切斯特大學(xué)腦與認(rèn)知科學(xué)系主任兼教授杜耶·塔丁（Duje Tadin）在2020年表示，“它旨在解決一個(gè)關(guān)鍵問(wèn)題：我們的大腦如何解讀感官收集的信息。這項(xiàng)研究建立在腦與認(rèn)知科學(xué)系長(zhǎng)期以來(lái)的優(yōu)勢(shì)之上，即運(yùn)用計(jì)算方法來(lái)理解行為及其潛在的神經(jīng)機(jī)制。”

揭開(kāi)復(fù)雜的神經(jīng)元回路

德安吉利斯（DeAngelis）指出，因果推理涉及復(fù)雜的神經(jīng)元回路和其他感覺(jué)機(jī)制，而這些機(jī)制尚未被廣泛理解，因?yàn)椤案杏X(jué)知覺(jué)在大多數(shù)情況下運(yùn)作良好，所以我們理所當(dāng)然地認(rèn)為這是一個(gè)計(jì)算難題。”

實(shí)際上，感覺(jué)信號(hào)是嘈雜且不完整的。此外，世界上可能發(fā)生許多事件，這些事件都會(huì)產(chǎn)生類似的感官輸入模式。

想象一下，一束光點(diǎn)在視網(wǎng)膜上移動(dòng)。同樣的視覺(jué)輸入可能源于多種情況：它可能是由物體在移動(dòng)而觀察者保持靜止引起的，例如一個(gè)人站在窗邊觀察一輛閃著燈的救護(hù)車；它可能是由移動(dòng)的觀察者觀察靜止的物體引起的，例如跑步者從遠(yuǎn)處注意到路燈；或者它可能是由物體運(yùn)動(dòng)、自身運(yùn)動(dòng)和深度等多種因素組合引起的。

大腦面臨著一個(gè)難題：它必須推斷出最有可能導(dǎo)致接收到的特定感官信號(hào)模式的原因。然后，它才能對(duì)情況做出判斷，并計(jì)劃采取相應(yīng)的行動(dòng)。

基于這些最新成果，并運(yùn)用數(shù)據(jù)科學(xué)、實(shí)驗(yàn)室實(shí)驗(yàn)、計(jì)算機(jī)模型和認(rèn)知理論，德安吉利斯、哈夫納及其同事將繼續(xù)致力于精確定位參與這一過(guò)程的單個(gè)神經(jīng)元和神經(jīng)元群。他們的目標(biāo)是揭示大腦如何通過(guò)處理感覺(jué)刺激的大腦區(qū)域與負(fù)責(zé)決策和行動(dòng)計(jì)劃的大腦區(qū)域之間的相互作用，生成一致的現(xiàn)實(shí)認(rèn)知。

開(kāi)發(fā)療法和人工智能

了解大腦如何運(yùn)用因果推理來(lái)區(qū)分自身運(yùn)動(dòng)和物體運(yùn)動(dòng)，可能有助于設(shè)計(jì)人工智能和自動(dòng)駕駛設(shè)備。

“理解大腦如何推斷自身運(yùn)動(dòng)和物體運(yùn)動(dòng)，或許能為改進(jìn)飛機(jī)和自動(dòng)駕駛汽車的現(xiàn)有自動(dòng)駕駛算法提供靈感，”哈夫納說(shuō)道。例如，飛機(jī)的電路必須考慮到飛機(jī)在空中的自身運(yùn)動(dòng)，同時(shí)還要避開(kāi)周圍出現(xiàn)的其他移動(dòng)飛機(jī)。

About the au thor: Lindsey Valich

參考文獻(xiàn)：

https://www.rochester.edu/newscenter/rochester-leads-novel-research-project-on-how-the-brain-interprets-motion/

聲明：本文版權(quán)屬于原作者，僅用于學(xué)術(shù)交流！