研究人员开发了一种名为MovieNet的AI模型，该模型受到人类大脑的启发，能够以前所未有的准确性理解和分析移动图像。通过模拟神经元如何处理视觉序列，MovieNet可以识别动态场景中的细微变化，同时使用的数据和能量显著少于传统AI。
在测试中，MovieNet的表现超过了当前的AI模型，甚至超过了人类观察者，在识别行为模式方面表现出色，例如在不同条件下识别蝌蚪游泳的行为。其环保设计和在医学和药物筛选等领域的潜力突显了这一突破的变革力量。
关键事实：
- 类脑处理： MovieNet模仿神经元处理视频序列，以高精度区分动态场景，表现优于传统AI模型。
- 高效性： MovieNet在实现更高精度的同时，使用更少的能量和数据，使其在各种应用中更加可持续和可扩展。
- 医疗潜力： 该AI可以通过识别运动中的细微变化来帮助早期检测疾病（如帕金森病），并增强药物筛选方法。
来源： 斯克里普斯研究所
想象一下一种能够像人类大脑一样观看和理解移动图像的人工智能（AI）模型。现在，斯克里普斯研究所的科学家们已经实现了这一点，他们创建了MovieNet：一种创新的AI，处理视频的方式类似于我们的大脑如何解释现实场景随着时间的推移而展开。
这种受大脑启发的AI模型的详细研究发表在2024年11月19日的《美国国家科学院院刊》上。MovieNet通过模拟神经元（或脑细胞）如何实时感知世界，从而感知移动场景。MovieNet的数据需求减少，提供了一种更环保的替代方案，同时保持高性能。
传统AI在识别静态图像方面表现出色，但MovieNet引入了一种机器学习模型识别复杂、变化场景的方法——这一突破可能在医学诊断、自动驾驶等领域带来变革，这些领域需要辨别随时间变化的细微差异。
“大脑不仅仅看到静止的画面；它创造了一个连续的视觉叙事。”高级作者、斯克里普斯研究所多里斯神经科学中心的主任兼汉恩神经科学教授Hollis Cline博士说，“静态图像识别已经取得了很大进展，但大脑处理流动场景的能力需要更复杂的模式识别。通过研究神经元如何捕捉这些序列，我们能够将类似的原则应用于AI。”
为了创建MovieNet，Cline和第一作者、斯克里普斯研究所的工作人员科学家Masaki Hiramoto研究了大脑如何处理现实世界的场景作为短序列，类似于电影片段。具体来说，研究人员研究了蝌蚪神经元如何响应视觉刺激。
“蝌蚪拥有非常出色的视觉系统，我们知道它们可以高效地检测和响应移动刺激。”Hiramoto解释道。
他和Cline识别出响应电影特征（如亮度变化和图像旋转）并能识别移动物体的神经元。这些神经元位于大脑的视觉处理区域——视顶盖，它们将移动图像的部分组装成一个连贯的序列。
可以将这个过程想象成类似于透镜拼图：每一块单独可能没有意义，但放在一起就形成了一个完整的动态图像。不同的神经元处理现实生活中的移动图像的各种“拼图块”，大脑将其整合成一个连续的场景。
研究人员还发现，蝌蚪的视顶盖神经元能够区分随时间变化的视觉刺激的细微变化，捕捉大约100到600毫秒的动态片段，而不是静态画面。这些神经元对光和阴影的模式高度敏感，每个神经元对视觉场特定部分的反应有助于构建场景的详细地图，形成“电影片段”。
Cline和Hiramoto训练MovieNet模仿这种类脑处理方式，将视频片段编码为一系列小的、可识别的视觉提示。这使得AI模型能够区分动态场景之间的细微差异。
为了测试MovieNet，研究人员向其展示了不同条件下蝌蚪游泳的视频片段。MovieNet不仅在区分正常与异常游泳行为方面达到了82.3%的准确率，而且比训练有素的人类观察者高出约18%。它甚至超过了现有的AI模型，如Google的GoogLeNet，后者尽管经过大量训练和处理资源，准确率仅为72%。
“这是我们可以看到真正潜力的地方。”Cline指出。
研究团队确定，MovieNet不仅在理解变化场景方面优于当前的AI模型，而且使用更少的数据和处理时间。MovieNet简化数据而不牺牲准确性的能力也使其区别于传统AI。通过将视觉信息分解为基本序列，MovieNet有效地压缩了数据，就像一个保留了关键细节的压缩文件。
除了高精度外，MovieNet还是一个环保的AI模型。传统AI处理需要巨大的能量，留下沉重的环境足迹。MovieNet的数据需求减少，提供了一种更环保的替代方案，同时保持高性能。
“通过模仿大脑，我们设法使我们的AI需求大大降低，为既强大又可持续的模型铺平了道路。”Cline说。“这种效率也为在传统方法成本高昂的领域扩大AI规模打开了大门。”
此外，MovieNet有可能重塑医学。随着技术的发展，它可能成为识别早期阶段条件下的细微变化的宝贵工具，例如检测不规则心律或发现帕金森病的最初迹象。
“例如，与帕金森病相关的微小运动变化往往难以用肉眼察觉，但AI可以在早期标记出来，为临床医生提供宝贵的干预时间。”Cline说。
此外，当蝌蚪暴露于化学物质时，MovieNet感知蝌蚪游泳模式变化的能力可能导致更精确的药物筛选技术，因为科学家可以研究动态的细胞反应，而不仅仅是依赖静态快照。
“目前的方法错过了关键的变化，因为它们只能分析间隔拍摄的图像。”Hiramoto说。“随着时间的推移观察细胞意味着MovieNet可以在药物测试期间跟踪最细微的变化。”
展望未来，Cline和Hiramoto计划继续完善MovieNet适应不同环境的能力，增强其多功能性和潜在应用。
“从生物学中汲取灵感将继续成为推进AI的肥沃领域。”Cline说。“通过设计像生物体一样思考的模型，我们可以实现传统方法无法达到的效率水平。”
资助： 本研究的资金来自美国国立卫生研究院（RO1EY011261、RO1EY027437和RO1EY031597）、汉恩家族基金会和哈罗德·L·多里斯神经科学中心捐赠基金。
(全文结束)
