Science Robotics / Research Article

Artificial embodied circuits uncover neural architectures of vertebrate visuomotor behaviors

作者：Xiangxiao Liu, Matthew D. Loring, Luca Zunino, Kaitlyn E. Fouke, François A. Longchamp, Alexandre Bernardino, Auke J. Ijspeert, Eva A. Naumann · 单位：Biorobotics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL), Lausanne 1015, Switzerland, Duke School of Medicine, Department of Neurobiology, Durham, NC 27710, USA, Institute for Systems and Robotics, Instituto Superior Técnico, Lisbon 1049-001, Portugal, Department of Psychology & Neuroscience, Duke University, Durham, NC 27708, USA, Duke School of Medicine, Department of Cell Biology, Duke University, Durham, NC 27708, USA, Department of Biomedical Engineering, Duke University, Durham, NC 27708, USA · 来源：Science Robotics · 发布日期：2025-10-15 · DOI：10.1126/scirobotics.adv4408

操作移动机器人医疗机器人仿生机器人机器人

精读笔记

Problem Setting

【Artificial embodied circuits uncover neural architectures of vertebrate visuomotor behaviors，Science Robotics / 2025】

这篇论文真正处理的是 embodied neuroscience 里的一个硬问题：神经回路的功能不能只从神经活动或刺激-响应相关性中读出，必须放在身体和环境闭环里验证。具体到 larval zebrafish OMR，已有工作已经知道许多相关脑区和响应类型，但仍不清楚这些响应类型为何如此组织、哪些连接是功能必需、哪些是实验刺激空间下的拟合产物。

关键矛盾是：真实动物中最想操纵的变量——透镜、视野、retina-pretectum 连接、身体水动力、视觉反馈——几乎不能独立操纵；而纯计算模型又通常缺少真实感官输入和运动反馈，因此只能解释神经活动，不能解释行为稳定性。作者把问题重写为：一个基于真实神经数据的人工回路，放入逼真的鱼体和环境后，是否能复现 OMR，并通过反事实操纵解释真实神经架构。

Motivation

已有路线的问题不是数据少，而是数据和闭环功能之间断裂。全脑成像可以告诉我们哪些 neuron 对某类 optic flow 响应；行为实验可以告诉我们鱼如何转向；但二者之间缺一个可运行的、从像素到肌肉的中间对象。没有这个对象，就很难判断某个 response type 是控制变量、感觉副产物，还是实验刺激设计诱导出来的分类。

作者的核心观察是：斑马鱼的视觉运动计算高度依赖 embodied geometry。侧向眼、鱼眼透镜、下视野纹理、Snell’s window、底部投影条纹、局部 DSGC motion detector 都会改变进入 pretectum 的有效光流。因此，很多“神经选择性”可能不是纯粹由内部回路决定，而是由身体-环境共同筛选出来。缺口正是一个能系统改变这些物理和连接变量的实验平台。

Core Idea

核心思想是把 OMR 回路做成一个人工 embodied circuit，而不是一个神经响应拟合模型。simZFish 从模拟视网膜像素开始，经 DSGC/ePT/lPT/nMLF/aHB/CPG 等抽象回路，到尾部运动，再通过水动力和视觉反馈回到下一帧感官输入。这样，网络必须在闭环中稳定自身，而不是只在离线 stimulus 上拟合 calcium trace。

本质区别在于评价对象变了：prior 多数是在“刺激 → 神经活动”或“刺激 → 行为”的两个投影上做建模；本文把二者合成一个可执行的因果系统，并用物理身体作为正则化。这个 inductive bias 很强：只有那些同时兼容 retinal optic flow、局部运动检测、运动控制和反馈稳定性的神经结构，才会表现好。它不是单纯 scaling，也不是更大数据拟合，而是把缺失的 latent structure——身体和环境几何——显式放回模型。

Method

方法上值得保留的机制只有几类。

第一，端到端闭环神经-机械仿真。它解决的是以往 OMR 模型不能产生真实运动反馈的问题。通过让人工神经活动直接驱动 bout initiation、turn bias 和尾部 CPG，模型的中间表征必须对行为有可检验后果。

第二，感官几何反事实操纵。透镜焦距、视野范围、retina-pretectum 连接象限不是作为生物细节加入，而是用于回答“视觉输入的物理投影如何塑造神经架构”。核心变化是把 receptive field 偏置从描述事实变成可解释约束：下后方视野在该 embodied setup 中提供更一致、更少冲突的 forward/medial optic-flow signal。

第三，模型失败驱动实验迭代。simZFish1.0 在未见过的 parallel forward/backward 组合刺激上预测错误转向，作者没有把它当作 bad fit，而是用它定位缺失神经计算，再通过真实鱼行为和双光子成像发现 forward/backward selective subtypes，更新为 simZFish2.0。这是论文中最像“模型产生新神经假设”的部分。

第四，物理机器人验证。ZBot 的意义不是严格缩放幼鱼，而是测试同一视觉-运动算法在真实视觉噪声、湍流、浑浊和非理想控制下是否仍提供稳定增益。

Key Insight / Why It Works

最重要的 insight 是：OMR 回路中的某些结构看似是 neural specificity，实际上可以由 embodied optic-flow statistics 推导出来。特别是下后方视野的优势，不只是“那里有更多纹理”这么简单，而是侧向眼看到底部平移刺激时，局部光流会因透视畸变产生旋转分量；如果全视野 DSGC 都接入，下前方与下后方的局部运动信号会互相抵消或混淆。限制到下后方视野反而把 forward/medial motion 变成下游回路更容易利用的信号。这是典型的 better inductive bias，而非 scaling。

方法有效的第二个原因是 closed-loop evaluation 暴露了开环模型看不到的错误。simZFish1.0 能拟合原始 OMR 条件，但在 conflicting forward/backward stimulus 上出现真实鱼没有的强转向。这说明原先 response classes 覆盖不足；新增 forward/backward subtypes 后改善，表明模型失败确实对应了缺失的 latent neural structure，而不是单纯调参。

第三，ZBot 结果说明该回路抓住了一个低维控制规律：由水流拖拽引起的 optic flow 足以提供 upstream orientation cue。这里的“rheotaxis”更像一个 emergent stabilizing controller，而不是复杂导航或规划。不能把它解读成高级空间推理；它本质是视觉反馈控制。

哪些可能只是辅助？Webots 高保真、机器人外形、CPG 细节和大量参数调节都重要，但更偏 engineering。论文真正的贡献不是仿得多像，而是用 embodied counterfactuals 解释 neural architecture，并让模型失败产生新实验。增益来源中仍有不清楚的部分：simZFish 初始化于已有 best-fit 连接权重，后续又经过最小调参；文中未充分说明不同参数化是否会得到同样的结构结论。

Relation To Prior Work

这篇处在 neuromechanical simulation、bio-robotics 和 zebrafish whole-brain circuit modeling 的交叉谱系上。最接近的不是一般机器人控制，而是 NeuroMechFly、virtual rodent、lamprey/salamander CPG robot、以及 Naumann 2016 的 zebrafish OMR circuit model。

相对 Naumann 2016 等工作，真正新增的是 embodied closure：原先的功能回路主要解释视觉刺激下的神经响应和行为相关性；本文让同一类回路在物理环境中产生行为，并允许操纵视觉形态和连接。相对 NeuroMechFly/virtual rodent，本文的创新不在大规模学习或运动控制复杂度，而在把具体的 vertebrate visuomotor circuit 与真实神经成像迭代结合。

看似新的地方中，机器人验证、CPG 控制、光流稳定控制本身都不是新思想；实质创新是把这些工具组织成一个“从生物数据 → embodied model → 反事实预测 → 新神经实验 → 真实机器人”的闭环科学工作流。它更像一种研究范式贡献，而不是某个单点算法突破。

Dataset / Evaluation

evaluation 覆盖了四类证据：实验室 OMR 行为复现、神经活动对齐、虚拟河流 rheotaxis、真实机器人河流测试。这个组合基本支撑作者的核心 claim：embodiment 对解释神经架构有实际作用，而且人工 OMR 回路可以在未完全控制的真实环境中产生稳定增益。

但需要注意，任务覆盖仍集中在 OMR/position stabilization 这一类低维视觉反馈行为。所谓跨场景泛化主要是从 drifting gratings 到虚拟/真实河流视觉流，而不是跨任务泛化。真实机器人验证有价值，因为它引入真实视觉和流体复杂性；但 ZBot 与幼鱼尺度差异太大，水动力 regime 不同，因此它验证的是控制算法的现实可用性，不是严格验证生物力学等价。

benchmark 是否验证 claim？对“视觉 OMR 回路足以辅助 rheotaxis”支持较强；对“真实神经架构由 embodiment 决定”支持中等偏强，但仍依赖模型假设。因为可能存在其他回路结构也能达成同等行为，只是与当前已知神经数据不一致。文中承认 lower anterior alternative 可能可行，但需要不同 downstream circuit；这说明 optimality claim 应理解为在给定已知 zebrafish circuit family 内的最优，而非全局最优。

Limitation

最大限制是可解释性来自强先验，而不是自动发现。网络结构、神经类别、连接方向、bout gate、CPG、turn determinator 都带有大量已有生物知识和工程抽象；模型能工作并不意味着这些抽象层级就是生物真实机制。尤其 motor system 被高度简化，很多 downstream spinal dynamics 和 sensory reafference 只是功能替代。

第二，泛化上限有限。OMR/rheotaxis 是非常适合 optical-flow feedback 的任务，控制变量低维且环境 cue 强；在 prey capture、escape、multi-sensory arbitration 或 internal-state-dependent behavior 中，当前框架是否仍能扩展并不清楚。没有 motor adaptation/gain control 时，simZFish 和 ZBot 在较快流速下都会失败，说明 controller 仍是固定增益反射系统。

第三，增益归因不完全干净。simZFish1.0 到 2.0 的改进来自新增 neural subtypes，但也可能部分来自更好的 stimulus coverage 和手动结构修补。文中未充分说明是否存在系统 ablation 来区分 subtype identity、connectivity weight、threshold/bout policy 各自贡献。

第四，ZBot 真实河流实验样本量小、环境不可完全控制，且 blinded OMR 条件下随机游泳本身也显著帮助稳定位置。OMR 的额外增益是真实的，但不是压倒性的；它说明视觉回路有用，不说明它足以完整解决自然 rheotaxis。

Takeaway

  • 1. 对 sensorimotor neuroscience 来说，这篇最值得迁移的是“模型失败作为实验设计器”：先让 embodied model 在新刺激上犯错，再用真实神经数据定位缺失 computation。
  • 2. 神经架构解释不能只看回路内部；感官形态和环境统计可能直接决定哪些连接是有效的。
  • 这里的 lower-posterior visual field 是一个很好的例子。
  • 3. 对机器人方向的启发是：低维生物反射回路在真实环境中可能比端到端学习控制器更可解释、更轻量，尤其适合稳定、对齐、姿态保持这类任务。

一句话总结

这篇论文把斑马鱼 OMR 从离线神经响应模型推进到可操纵的 embodied closed-loop circuit，用身体和环境几何反推神经架构约束，是一篇范式型的 neuromechanical neuroscience 工作，而不是单纯仿生机器人或仿真工程。