BAAIWorm天寶的重要創(chuàng)新之處在于其不僅關注神經(jīng)系統(tǒng)的建模，還將身體與環(huán)境納入考量，形成一個閉環(huán)系統(tǒng)，通過模擬線蟲的行為，探索神經(jīng)結(jié)構(gòu)如何影響智能行為。這一工作不僅為研究生物智能提供了新的平臺，也為具身智能理論的進一步發(fā)展和人工智能領域的應用奠定了基礎。
倫敦大學學院帕Padraig Gleeson（OpenWorm 團隊，本文審稿人之一）評價BAAIWorm：“這是一項了不起的成果，它將秀麗線蟲的生理學和解剖學信息整合進了一個計算模型。在不同層面呈現(xiàn)了諸多進展，而且各項成果相互融合，構(gòu)成了一幅條理清晰的圖景。我認為，這是一項我們在秀麗線蟲建模和理解‘腦-身體-環(huán)境’交互方面的重要進展。”
《自然?計算科學》資深編輯Ananya Rastogi指出：“這項工作讓我眼前一亮。動態(tài)的機體與環(huán)境相互作用以及精細的模擬相結(jié)合，使得在閉環(huán)系統(tǒng)中研究大腦活動如何影響行為成為可能?！?/p>
這一成果的另一審稿人表示：“這項研究為我們從整體上理解神經(jīng)系統(tǒng)建立了新的研究范式。傳統(tǒng)的神經(jīng)科學研究往往側(cè)重于分離和理解神經(jīng)系統(tǒng)或大腦的特定方面。然而，通過綜合這些細節(jié)全面理解整個生物體仍然是一項挑戰(zhàn)。這項研究引入了一種很有前景的方法：嘗試構(gòu)建一個完整的生物體模擬。”
Nature文章鏈接：
https://www.nature.com/articles/s43588-024-00738-w
Research Briefing鏈接：
https://www.nature.com/articles/s43588-024-00740-2
BAAIWorm GitHub地址：
https://github.com/Jessie940611/BAAIWorm
BAAIWorm天寶對于具身智能研究的意義
近年來，隨著神經(jīng)科學和人工智能技術(shù)的深度交叉融合，研究者們越來越多地嘗試通過構(gòu)建生物體模型來理解神經(jīng)系統(tǒng)與行為之間的關系，并推動具身智能的研究。國際上的個別研究機構(gòu)在這一領域取得了顯著進展。
2022年，瑞士洛桑聯(lián)邦理工學院（EPFL）發(fā)布了NeuroMechFly，一個基于果蠅的神經(jīng)-機械耦合模型，用以研究神經(jīng)系統(tǒng)如何驅(qū)動行為，相關成果發(fā)表于《Nature Methods》[1]。
2024年，EPFL進一步發(fā)布了NeuroMechFly v2，對該模型進行了優(yōu)化，進一步提高了神經(jīng)-身體交互的功能性[2]。
與此同時，DeepMind也在推動生物智能模擬方面邁出了重要步伐，2020年初步發(fā)布了Virtual Rodent，該模型通過模擬嚙齒動物的大腦與身體運動，推動了對生物智能的理解。2024年，DeepMind在《Nature》上發(fā)布了Virtual Rodent的更新版，進一步提升了該模型在神經(jīng)網(wǎng)絡和行為模擬方面的能力[3]。
生物智能無疑是人工智能研究的源頭。BAAIWorm天寶通過高精度還原和模擬生物智能，為理解和探索生物啟發(fā)的具身智能的核心機制提供了重要的實驗平臺。
通過將大腦、身體和環(huán)境的互動整合到一個閉環(huán)系統(tǒng)中，BAAIWorm天寶展示了神經(jīng)系統(tǒng)如何通過與身體及環(huán)境的協(xié)同作用，產(chǎn)生復雜而高效的行為。這一研究不僅加深了對生物智能的理解，也為開發(fā)具有類似感知與運動能力的人工具身智能系統(tǒng)提供了新的視角。
BAAIWorm天寶介紹
在秀麗隱桿線蟲中，運動、覓食等行為是由其神經(jīng)回路、肌肉生物力學和實時環(huán)境反饋之間的協(xié)調(diào)互動驅(qū)動的。然而，傳統(tǒng)的模型往往將神經(jīng)系統(tǒng)或身體環(huán)境孤立開來，未能捕捉到支撐復雜行為的整體“大腦-身體-環(huán)境”交互。在生物物理學上精確模擬這種復雜性仍然是一個挑戰(zhàn)，這也突顯了構(gòu)建完整的閉環(huán)模型的必要性，以連接神經(jīng)網(wǎng)絡、生物力學和環(huán)境反饋。
智源研究院生命模擬研究中心旨在開發(fā)這樣一個閉環(huán)的生物物理精細模型（“生命模型”），以精確模擬生物體在神經(jīng)、生物力學和環(huán)境互動中的復雜行為。團隊采用可擴展的多層次方法，包括多艙室神經(jīng)元模型，通過細致模擬神經(jīng)網(wǎng)絡中間隙連接、突觸和神經(jīng)元的活動，生成了生理上準確的神經(jīng)動態(tài)。在這項研究中，團隊著手開發(fā)一個開源模型——BAAIWorm，用于在閉環(huán)系統(tǒng)中模擬秀麗隱桿線蟲的體現(xiàn)行為。
BAAIWorm（一個集成腦-身體-環(huán)境的模型）作為一個開源模塊系統(tǒng)，為研究線蟲行為的神經(jīng)控制機制提供了一個多功能平臺。BAAIWorm基于實驗數(shù)據(jù)，由兩個子模型組成：一個是生物物理層面上精細的神經(jīng)網(wǎng)絡模型，模擬秀麗隱桿線蟲的神經(jīng)系統(tǒng)；另一個是根據(jù)線蟲解剖學構(gòu)建的身體模型，并被一個可計算的簡化3D流體環(huán)境所包圍（見圖1）。
神經(jīng)網(wǎng)絡模型中的每個神經(jīng)元都被表示為一個多艙室模型，模擬神經(jīng)元的結(jié)構(gòu)和功能部分（如胞體、神經(jīng)突），以精確復現(xiàn)秀麗隱桿線蟲神經(jīng)元的電生理特性以及基于實驗數(shù)據(jù)的精細突觸和間隙連接結(jié)構(gòu)。
身體模型則結(jié)合了96個肌肉細胞，這些肌肉細胞基于秀麗隱桿線蟲的解剖學，在四個象限中建模，以實現(xiàn)計算對稱性。表面級的力模擬了推力和阻力，優(yōu)化了計算效率，同時反映了生物體在流體環(huán)境中的互動特性。
系統(tǒng)也簡化模擬了環(huán)境中的連續(xù)感官輸入（如食物濃度梯度）。這些輸入會動態(tài)影響神經(jīng)計算，進而驅(qū)動肌肉收縮，形成一個閉環(huán)反饋系統(tǒng)，形成協(xié)調(diào)的運動軌跡，能夠與真實線蟲行為類比。
BAAIWorm天寶亮點
1. 世界最高精度線蟲神經(jīng)網(wǎng)絡模型
研究團隊基于線蟲神經(jīng)元的真實生理特性，構(gòu)建了一個生物物理層面上的高精度神經(jīng)網(wǎng)絡模型。神經(jīng)網(wǎng)絡模型中的每個神經(jīng)元都被表示為一個多艙室模型，模擬神經(jīng)元的結(jié)構(gòu)和功能部分（如胞體、神經(jīng)突），以精確復現(xiàn)秀麗隱桿線蟲神經(jīng)元的電生理特性以及基于實驗數(shù)據(jù)的精細突觸和間隙連接結(jié)構(gòu)。該模型是目前已知首個同時在神經(jīng)元層面和神經(jīng)網(wǎng)絡層面都具有真實動力學特性的，基于多艙室建模的高精度秀麗隱桿線蟲神經(jīng)網(wǎng)絡模型。
2. 身體環(huán)境模型
該模型符合生物線蟲解剖特性，可精準穩(wěn)定的追蹤和度量三維軟體運動。相比于OpenWorm，在仿真性能和環(huán)境尺度等指標上取得了數(shù)量級的提升。
3. 高精度神經(jīng)系統(tǒng)模型與身體環(huán)境模型的閉環(huán)仿真
BAAIWorm天寶首次建立了線蟲神經(jīng)網(wǎng)絡模型與身體環(huán)境模型的閉環(huán)交互，模擬線蟲通過之字形運動接近食物的行為。環(huán)境中的食物濃度刺激感覺神經(jīng)元，運動神經(jīng)元驅(qū)動肌肉收縮，生成協(xié)調(diào)的運動軌跡。在這一過程中，研究人員可以通過模擬的方法，實時觀察線蟲的軌跡、神經(jīng)活動以及肌肉信號。
通過BAAIWorm天寶，可同時觀察線蟲運動情況與神經(jīng)網(wǎng)絡每個細節(jié)的動態(tài)情況。
BAAIWorm天寶基于OpenWorm的新進展
OpenWorm是一個開創(chuàng)性的開放科學項目，致力于通過建模秀麗線蟲（C. elegans）推進計算生物學的發(fā)展。智源研究團隊在研究中使用了OpenWorm提供的諸多寶貴工具和數(shù)據(jù)，如細胞模型形態(tài)、突觸動態(tài)及3D線蟲體信息?；贠penWorm，BAAIWorm天寶在多個關鍵方面實現(xiàn)了顯著的進展，推動了這一領域的進一步發(fā)展：
OpenWorm提供了許多有價值的神經(jīng)系統(tǒng)建模工具和標準，如ChannelWorm和c302。然而，BAAIWorm天寶在以下幾個方面進行了顯著創(chuàng)新：
a) 單神經(jīng)元建模：c302提供了多艙室的神經(jīng)模型，且所有神經(jīng)元的參數(shù)均統(tǒng)一。然而，BAAIWorm天寶通過調(diào)整五種單神經(jīng)元模型，使其更精確地擬合電生理數(shù)據(jù)，確保模型能夠準確反映真實的神經(jīng)動力學。
b) 連接精細程度：在c302的多艙室神經(jīng)模型中，神經(jīng)元的連接位于胞體上，而BAAIWorm天寶則在神經(jīng)元的神經(jīng)突（neurite）上建立連接，極大提升了神經(jīng)元連接的解剖學準確性。
c) 訓練：c302生成的多艙室神經(jīng)網(wǎng)絡模型并沒有經(jīng)過訓練，而BAAIWorm天寶的神經(jīng)網(wǎng)絡模型則經(jīng)過了嚴格的訓練，以匹配功能圖譜，從而更好地捕捉到復雜且真實的神經(jīng)動力學。
Sibernetic是OpenWorm項目中用于模擬C. elegans物理體動態(tài)的物理模擬器。盡管Sibernetic的粒子模型在某些任務（如壓力計算）上有一定優(yōu)勢，BAAIWorm天寶的生物體與環(huán)境模型在多個方面表現(xiàn)出色：
a) 生物體建模效率：BAAIWorm天寶的體表數(shù)據(jù)是基于Sibernetic的體表數(shù)據(jù)進行轉(zhuǎn)換的，但四面體線蟲體模型相比Sibernetic的粒子模型，元素數(shù)量大幅減少，極大提高了性能，同時保持了解剖學的真實性。
b) 3D環(huán)境：借助簡化的流體動力學，BAAIWorm天寶的3D仿真場景的規(guī)模相比Sibernetic提高了兩個數(shù)量級，從而能夠模擬更加復雜和大范圍的環(huán)境。
c) 仿真：BAAIWorm天寶采用了投影動力學（projective dynamics）作為形變求解器，相比Sibernetic顯著縮短了每個迭代步驟的仿真時間。同時，投影動力學在使用較大時間步長時也表現(xiàn)出了較高的穩(wěn)定性，這使得仿真能夠更高效地運行。
d) 可視化：BAAIWorm天寶采用了實時網(wǎng)格渲染和GPU光線追蹤技術(shù)，不僅帶來了更佳的視覺效果，還在保證高性能的前提下，提升了仿真場景的真實感和互動性。
OpenWorm將c302神經(jīng)網(wǎng)絡和Sibernetic的生物體模型聯(lián)合實現(xiàn)了兩者的交互，但這種交互是開放式的，缺乏環(huán)境對于神經(jīng)系統(tǒng)的反饋。而這一感覺反饋對生物體在環(huán)境中生存來說至關重要，BAAIWorm天寶通過引入感官反饋，實現(xiàn)了神經(jīng)網(wǎng)絡與生物體模型的閉環(huán)互動。這一重要創(chuàng)新能夠更全面地理解線蟲如何與其環(huán)境進行互動、處理感官信息并執(zhí)行協(xié)調(diào)的運動。
未來展望
智源研究院的生命模擬研究中心通過BAAIWorm天寶展示了數(shù)字生命體建模的潛力，為進一步理解神經(jīng)控制機制和智能行為的生成機制提供了全新工具。這一成果基于創(chuàng)新的閉環(huán)建模思想，將大腦、身體與環(huán)境作為整體進行整合，為構(gòu)建其他數(shù)字生命體積累了寶貴經(jīng)驗。
當前人工通用智能（AGI）研究主要沿三條路徑展開：數(shù)據(jù)驅(qū)動的人工神經(jīng)網(wǎng)絡（ANN）模型，如OpenAI的GPT系列；基于ANN的強化學習，如DeepMind的DQN；基于“結(jié)構(gòu)決定功能”原則的類腦方法，例如脈沖神經(jīng)網(wǎng)絡（SNN）。
智源研究院積極探索第三條路徑，通過類腦建模探索神經(jīng)網(wǎng)絡結(jié)構(gòu)如何驅(qū)動智能行為。這一方向不僅致力于研究生物智能，還旨在為通用人工智能的實現(xiàn)提供新思路。在這一路徑中，生命模擬研究中心開發(fā)的天演平臺（eVolution）提供了強大的建模和優(yōu)化能力。該平臺通過整合詳實的生物數(shù)據(jù)和微調(diào)模型參數(shù)，實現(xiàn)模型的“電子進化”（electronic-evolution），在通往AGI的探索中開辟了獨特路徑。
除了BAAIWorm天寶，智源研究院還在開發(fā)OpenComplex（一個開源蛋白質(zhì)或RNA建模平臺）和BAAIHeart（亞細胞層級的高精度心臟建模）。通過在生命的多個尺度領域研究的協(xié)同發(fā)展，智源研究院正推動生物智能與人工智能交叉研究的前沿探索，以實現(xiàn)對智能本質(zhì)的深刻理解和應用。
參考文獻
[1] https://www.nature.com/articles/s41592-022-01466-7
[2] https://www.nature.com/articles/s41592-024-02497-y
[3] https://www.nature.com/articles/s41586-024-07633-4
