出處：快科技 作者：斌斌 

近日據(jù)外媒報(bào)道，科學(xué)家開發(fā)了一種靈活的人工智能技術(shù)來了解動(dòng)物的行為特征，這種方法可以使人們更容易理解動(dòng)物的運(yùn)動(dòng)以及它們潛在的大腦活動(dòng)。

由于小型廉價(jià)的GPS設(shè)備和攝像機(jī)的發(fā)展，記錄人和動(dòng)物（包括鳥類和昆蟲）的運(yùn)動(dòng)變得非常容易。然而，仍然很難從它們的行為記錄中推斷是什么觸發(fā)了這種運(yùn)動(dòng)，例如外部刺激、心理過程等。

在這項(xiàng)研究中，Shuhei Yamazaki及其同事開發(fā)了一種人工智能（AI）技術(shù)。這種AI技術(shù)會(huì)在沒有分類的情況下先去評(píng)估動(dòng)物的行為狀態(tài)，如“休息”、“覓食”或“游玩”。然后再通過比較不同條件下的反應(yīng)，例如經(jīng)歷某種刺激前后的反應(yīng)。

這種方法被稱為STEFTR（動(dòng)物行為的狀態(tài)估計(jì)和特征提?。?，研究人員用這種方法使成功預(yù)估了培養(yǎng)皿中蠕蟲和南極海洋中企鵝的行為特征。值得注意的是，盡管傳統(tǒng)的研究人員利用目前已知的動(dòng)物運(yùn)動(dòng)和動(dòng)物行為的數(shù)百萬個(gè)視頻圖像來完善人工智能，但Shuhei Yamazaki僅使用數(shù)十個(gè)動(dòng)物運(yùn)動(dòng)軌跡就獲得了90%以上的準(zhǔn)確度。

在特征提取中，Yamazaki等人還揭示了蠕蟲和蝙蝠特定行為方面的學(xué)習(xí)依賴性變化，以及果蠅性信息素依賴性變化。此外，他們還發(fā)現(xiàn)了與蠕蟲行為變化相關(guān)的神經(jīng)活動(dòng)變化。

總之，STEFTR方法可以很容易地僅使用野生動(dòng)物的軌跡數(shù)據(jù)來推斷動(dòng)物行為的“重要位置”，例如通常難以找到的巢穴和覓食處。此外，它還可能有助于發(fā)現(xiàn)與動(dòng)物行為相關(guān)的重要腦活動(dòng)，從而有助于基礎(chǔ)腦科學(xué)的發(fā)展。