婴儿感知运动偶发性学习的计算模型研究：基于移动范式的神经网络探索

《IEEE Open Journal of Circuits and Systems》：A computational model of infant sensorimotor exploration in the mobile paradigm

本研究针对婴儿如何通过"移动范式"检测自身动作与感觉反馈之间的关联性这一核心问题，提出了一种创新的计算模型。该模型整合了神经网络、动作结果预测、探索机制、运动噪声和生物启发式运动控制等关键组件，成功复现了6月龄婴儿在实验中对连接肢体的特异性激活现象。研究发现，模型不仅能够区分连接与非连接肢体的活动水平，还能模拟偶发组与非偶发对照组之间的差异，甚至再现了争议性的"消退爆发"现象。通过系统性的消融实验，研究证实了动作结果预测、探索机制、运动噪声和复杂运动控制对模型性能的关键作用，为理解婴儿感知运动学习机制提供了新的计算框架。

　　

在婴儿早期发育过程中，一个核心的科学问题是如何通过自身动作与感觉反馈之间的关联来认识世界。这种感知运动偶发性（sensorimotor contingency）的检测能力，被认为是婴儿区分自身身体与外界环境、学习控制身体并最终掌握物体操作技能的基础认知能力。自20世纪60年代Rovee和Rovee^[5]以及Watson和Ramey^[6]开创"移动范式"（mobile paradigm）以来，这一实验范式已成为研究婴儿感知运动学习的经典方法。在该范式中，悬挂在婴儿床上方的可移动装饰物（称为"mobile"）通过丝带与婴儿的某个肢体相连，使得婴儿的动作能够引起移动装饰物的运动。

然而，尽管有大量研究使用这一范式，婴儿检测偶发性的精确机制仍不清楚。早期研究认为婴儿从2个月大就能快速检测这种偶发性^[7-10]，而5-6个月大的婴儿开始可靠地区分哪个是"连接"肢体并更多地移动它^[11,12]。但近期研究显示，婴儿检测偶发性的能力并不像早期文献描述的那样容易证明^{[2,11,12,15,16]}。这一领域存在几个关键问题：婴儿如何快速识别连接肢体并特异性增加其活动？为什么在偶发条件下婴儿活动水平高于非偶发控制条件？偶发性检测在二进制（binary）和共轭（conjugate）条件下有何差异？以及存在争议的"消退爆发"（extinction burst）现象——当连接断开时活动短暂增加——背后的机制是什么？

为了回答这些问题，来自德国汉堡大学、捷克技术大学和法国巴黎西岱大学的研究团队在《IEEE Transactions on Cognitive and Developmental Systems》上发表了一项研究，提出了一个详细的计算模型来模拟婴儿在移动范式中的行为。该模型不同于先前Zaadnoordijk等人^[25]的简化状态机模型和Kelso与Fuchs^[26]的动力学系统方法，而是基于两个核心原则：一是纳入婴儿尝试预测其动作结果的概念，二是采用更符合生物真实性的运动控制系统。

研究团队开发的计算模型包含四个核心模块：神经网络、感觉反馈模块、探索模块和偏离基线活动模块。模型通过600个肌肉命令神经元控制四个肢体的活动，采用符合生物分布的连接权重映射。模型通过最小化三个损失函数来优化性能：感觉反馈预测误差、探索误差和偏离基线活动误差。每个模拟运行对应一个"婴儿实验"，包括1000步的初始化阶段、1200步的偶发阶段和240步的消退阶段，时间分辨率设置为每模拟步对应0.25秒，以匹配真实实验的300秒持续时间。

模型架构的核心是一个神经网络，它接收前一个系统状态（四个肢体的活动值和感觉反馈值）作为输入，生成新的肢体活动和感觉反馈预测。肌肉命令通过beta函数（参数z₁=0.01，z₂=0.1）映射到肢体活动，模拟了人类运动控制中存在的重叠和分布特性。探索模块通过"活动兴趣图"（Activity Interest Map）来引导模型探索那些能产生意外感觉反馈的动作范围，当预测误差超过新颖性阈值（0.1）时，相应动作范围的兴趣值会增加。

连接肢体的特异性

研究发现，模型成功复现了婴儿行为中最核心的现象：在偶发条件下，连接肢体的活动水平显著高于非连接肢体。如图5所示，模型在二进制和共轭条件下都表现出对连接肢体的特异性激活，尽管模型的学习速度比真实婴儿稍慢。活动兴趣图的分析揭示了模型识别连接肢体的机制：对于连接肢体，模型在能够准确预测感觉反馈的活动范围内兴趣值降低（蓝色区域），而在仍能产生意外反馈的活动范围内保持高兴趣（黄色区域）；而对于非连接肢体，由于缺乏可靠的感觉反馈关联，所有活动范围都保持较高兴趣。

与对照组的比较

模型还成功模拟了偶发组与非偶发控制组之间的差异。在非偶发条件下，移动装饰物的活动以与偶发组相同的频率随机触发，但与婴儿动作无关。结果显示，偶发组的整体活动水平显著高于非偶发组，表明模型像真实婴儿一样，对偶发性本身敏感，而不仅仅是对感觉刺激的反应。不过，模型在非偶发条件下的活动下降速度比真实婴儿慢，表明模型需要更长时间才能"意识到"自己无法控制刺激。

消退爆发

关于争议性的消退爆发现象，模型结果显示这一现象并不系统出现，与婴儿研究中的观察一致。在二进制条件下几乎没有消退爆发的证据，而在共轭条件下则可能出现明显的活动短暂增加。个体模拟运行之间存在较大变异性，有些表现出明显的消退爆发，有些则没有，这与婴儿研究中的不一致发现相符。

二进制与共轭条件的差异

模型还复现了二进制条件下偶发性检测比共轭条件更 robust 的现象。在二进制条件下，连接肢体活动的微小变化（超过阈值）就能引起明显的移动装饰物反应，使得模型更容易识别连接肢体；而在共轭条件下，肢体活动与感觉反馈变化成比例，增加了检测难度。

消融研究的关键发现

通过系统性消融实验，研究揭示了模型各组件的重要性。当移除预测误差组件时，模型完全无法区分连接和非连接肢体，证明内部预测机制对学习至关重要。移除探索机制后，不仅模型失去区分肢体的能力，整体活动水平也下降，表明探索是驱动学习的关键动力。

肌肉命令神经元数量的减少严重影响模型性能，特别是在共轭条件下，需要至少300个神经元才能可靠学习。运动噪声的水平也显著影响学习效果，过低（0.001）或过高（0.9）的噪声都会阻碍学习，而中等水平（0.3）的噪声最优，说明适度变异性对探索有益。新颖性阈值的增加（从0.1到0.3）提高了模型变异性，使其更接近婴儿行为。而偏离基线活动误差的移除对模型性能影响较小，表明探索需求是活动的主要驱动力。

这项研究的重要意义在于提出了一个能够复现婴儿核心学习现象的计算模型，并通过消融实验明确了各组件的作用机制。模型的成功表明，动作结果预测、探索行为、运动噪声和复杂的运动控制可能是婴儿感知运动学习的基础成分。未来工作可以扩展模型以包含注意力波动、任务切换等更复杂的认知因素，进一步提高模型的生物真实性和解释力。该模型不仅增进了我们对婴儿早期认知发展的理解，也为机器人学习领域提供了新的启发，特别是在如何通过简单的探索机制发展复杂技能方面。