人工智能模型模拟手部运动控制技术

每天，我们都在无意识中完成无数个抓取动作——例如拿起钥匙、转动门把手、锁门。这些看似简单的日常操作，实际上依赖于眼睛、多个脑区以及手臂和手部肌肉之间高度复杂的精密协作。

抓取动作背后的神经环路研究

德国哥廷根大学灵长类动物中心的神经科学家团队，首次成功研发了一种人工智能计算模型，能够完整无缝地模拟从视觉感知物体到实际抓取物体的整个运动规划过程。该研究成果以长文形式发表于《美国科学院院报》（PNAS）。

恒河猴与人类相似，具备高度发达的神经系统、视觉系统以及灵活的手部运动控制能力，因此成为研究类人抓握动作的理想模型。以往研究已经证实，三个关键脑区之间的相互作用在抓握物体过程中发挥着至关重要的作用。但迄今为止，还没有一个模型能够从神经层面详细解释整个流程：包括视觉信息的处理、手臂与手部肌肉的协调控制，以及最终抓取物体的实现。

为构建该模型，研究人员训练了两只雄性恒河猴，使其掌握42个不同形状和大小的物体，并以随机顺序呈现。在行为实验中，每个待抓取的物体被短暂照亮，猴子需要注视物体下方的红点，待红点闪烁后以最短延迟完成抓握动作。这种训练条件能够提供不同脑区神经活动的时间信息，使研究者可以根据视觉信号诱发抓握运动及相关肌肉的激活。

抓握行为的实验范式

猴子佩戴数据手套，持续记录其手臂、手部和手指的运动数据。随后，研究人员从猴子的视角拍摄42个物体的图像，并将其输入计算机中的递归神经网络，用于模拟大脑的神经生物过程。经过对猴子行为数据的训练，这一人工神经网络能够准确复现恒河猴的抓握动作——它可以处理可识别物体的图像，并再现精确抓取物体所需的肌肉动力学特征。

通过将递归网络模型的结果与猴子实验的生物学数据进行对比，研究发现该模型的神经动力学与猴子皮质脑区的神经动力学高度吻合。该网络模型由三个相互关联的阶段构成，分别对应猴子的三个皮质大脑区域，从而为理解大脑网络的动力学机制提供了有价值的洞见。

研究的重要意义与应用前景

从长远来看，这一人工神经网络模型对神经康复与治疗领域的发展具有重大意义。例如，在截瘫患者中，该模型可用于重建大脑与四肢之间受损的神经连接，从而恢复神经信号的传输。灵长类动物中心神经生物学实验室负责人指出：“这种人工神经网络模型首次以生物学上合理的方式，描述了从视觉感知物体到识别物体，再到抓握过程中的动作规划与手部肌肉控制的神经元处理过程。”他进一步补充道：“该模型有助于更深入地理解大脑中的神经元兴奋过程，并且长期来看，很可能对开发更有效的神经假体起到重要推动作用。”

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：人工智能模型模拟手部运动控制技术要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题