PNAS论文：一种通用性算法，首次解码动物的空间决策行为

对大多数动物而言，生活就是决定要去哪里。

无论是在地上跑、水里游，还是天上飞的动物，在不断“运动”的同时，也在不断的做着决策——这些选择关乎到它们的自身利益和生活品质。从选择潜在的食物来源或避难所到选择与谁交往，显而易见，动物面临的主要挑战就是在空间分布的选项中进行选择。

目前，大多数的研究都聚焦于决策结果或决策时间上，很少关注到动物在整个决策过程中的移动。

然而，在空间决策过程中，移动对于生物体如何代表空间至关重要。从昆虫到脊椎动物等很多物种，通过明确的矢量表示，已经显示出以自我为中心的空间关系，如期望目标的位置。当动物在空间中移动时，这种神经元的表征形式必须而且一定会发生变化。

因此，虽然最初看起来，动物的移动只是大脑所做决定的输出形式，这种观点并未提供特别的信息——它忽略了决策过程中引入的重要的动态特性，而这些特性是由生物体和空间分布选项之间，不可避免地随时间变化的几何关系产生的。

就在近日，由康斯坦茨大学（University of Konstanz）和德国马克斯·普朗克所组成的国际团队，向我们揭晓了答案。

这一研究成果成功解锁了动物应对环境复杂性所采取的主要对策——将世界简化为一系列连续的二元（binary）决策。该论文发表在 PNAS 上，标题为“The geometry of decision-making in individuals and collectives”。

而且，最令人震撼的是，无论有多少种选择，此策略均可实现高效的决策。

而研究团队正是通过 VR 技术，解码了动物在多种选择中决定去向时使用的算法。

具体来说，研究团队采用综合的理论和实验方法（沉浸式 VR），在空间中关于两个或多个选项的决策过程中，考虑移动和矢量整合之间的相互作用。

这项研究的重大突破在于，不仅首次提供了一种通用算法的证据，这种算法可以管理跨物种的决策，而且表明了基本的几何原理（geometric principles）可以解释动物如何以及为什么会这样移动。整个自然世界似乎越来越可以通过算法被理解。

决策的几何原理

---

该研究的第一作者、康斯坦茨 MPI-AB 的博士后 Vivek Hari Sridhar 介绍道：“动物在空间中移动时，它们对选择的神经表征（Neural Representations）不可避免地发生着变化，我们的研究表明，在理解空间决策时，将这点纳入考虑范围之内，可以揭示出迄今为止被忽视的新的、基本的几何原理。”

如图 1 所示，尽管动物和目标之间以自我为中心的几何关系不断变化，但在接近目标时，总是存在一个“特殊”的位置，哪怕两者的角度差进一步微小的增加，也会引发系统动力学的骤变，从而产生运动和决策的突然变化。

研究团队通过对模型进行数值分析发现，无论起始位置如何，当动物在空间中达到各自的“恰当”角度时，都会相对突然地选择其中的一个选项。为了更深入地了解空间动态背后的机制，团队进一步构建了模型的平均场近似（mean-field theory），对模拟轨迹中实现的模式展开形式分析。

研究表明，低于神经噪声的临界水平以下，动物在接近目标时会在选项中采用平均值，直到一个关键的阶段转变，系统在此基础上自发地决定选项。

因此，尽管其确切位置有所变化，观测到的突变是系统动力学不可避免的结果，并且总是会发生。

图 1

“空间”成分的“加盟”

---

来自德国、以色列魏茨曼科学研究所（Weizmann Institute of Science）和匈牙利罗兰大学（Eötvös Loránd University）的生物学家、工程师和物理学家联合参与了这项研究。这个阵容强大的跨学科团队，从神经生物学、物理学和动物行为学等多学科中汲取灵感，构建了大脑决策的计算模型。

该模型采用了大脑在“空间”（在本例中是指向潜在目的地方向）中进行选择时的特征表示，以便理解动物如何在移动中做出决策。

“考虑到运动和神经动力学之间的相互作用是关键，” 康斯坦茨大学和 MPI-AB 大学集体行为（Collective Behaviour）系的博士生Sridhar说，“这让我们对大脑如何做决定有了新的认知。”

虽然大多数决策研究只考虑了两种选择，但在真实空间中移动的动物面临的选择会更多。于是，动物如何在空间中的三个或更多的选项（可能的目标）中进行选择，成为一个值得讨论的话题。

研究团队以三个选项为出发点展开，在清楚了解运动和决策动态之间的关系后，再慢慢扩展到更多的选项，甚至考虑选项之间的差异问题，如图 2 所示。

图 2 

自发的“分岔”

---

由此产生的模型预测，大脑会自发地将多个选项之间的决策分解为一系列的两个选项，直到只有一个选项——即最终选择的那个——保留下来。

这一发现也证实了，动物在方向上所表现出的一系列突然变化，每一个都与排除剩余选项紧密相关。因此，可以说，每一次方向的改变都是神经动力学（科学家称之为“分岔”）突然变化的结果，在动物与其他选项之间形成非常特定的几何关系。

研究人员发现，该算法非常稳健，以至于他们预测，这种“分岔”过程不仅会导致高度准确的决策，而且还可能是普遍的。团队成员通过叠加模拟动物的多条轨迹的过程中，发现了一个分支结构。于是，他们认为，如果叠加真实动物做出空间决策的多条轨迹，那么，预期这种分支结构也应该是显而易见的。

理论的验证

---

由于从自我中心的角度预测决策过程是顺序的，并且依赖于与目标有关的几何形状，因此可以直接从动物在做空间决策时，所采取的轨迹来可视化决策过程。

在理论研究方面，他们做了一个关键的可检验预测：如果决策集合中的神经群体表现出相对局部的兴奋和长期/整体的抑制，动物在面临相同的选项选择时，可观察其轨迹的分岔；如果是三个（或更多）的选项，那么，复杂的决策任务则被分解成一系列的二元决策。

有趣的是，研究团队采用沉浸式 VR 技术，分别在果蝇、沙漠蝗虫和沙斑鱼上，来测试他们对飞行、行走和游泳动物的理论预测。

图 3

这项技术允许科学家将动物置于开放的、逼真的环境中，同时精确测量出动物在做决定时的动作。

结果发现，所有物种都表现出与预测完全相同的分岔。

图 4 展示的是，在不对称几何条件下的预测，即两条鱼游得比中间的那条鱼游得更近。

正如理论所预测的那样，鱼倾向于在两条关系密切的鱼之间游动，或者靠近第三条距离较远的鱼。

图 4

“人们通常认为，动物首先决定去哪里，然后才会向目标移动，”Sridhar 说。“但我们的研究结果表明，运动和变化的神经表征之间的相互作用，在很大程度上影响了决策的做出。”

这些发现令人兴奋的是，在复杂多样的生态环境中，这种反应产生了极其有效的决策。”

从个体到集体的迁移

---

科学家们还发现，同样的几何原理可能也适用于动物群体的空间决策，比如，移动的牛群或羊群。

然而，团队表示，这种集体动物行为模型，未能解释已知的动物群体在空间离散目标之间做出决策的能力。

为了 Get 这一技能，一定的反馈是必不可少的。尽管这些反馈可能是神经模型所固有的，但它们也可以以社会互动或动物对环境应答的形式包含于其他模型之中。因此，就需要在动物群体的个体决策和群体决策之间建立关联，发现群体中的个体表达偏好、恢复达成共识的能力。

图 5

康斯坦茨大学 Iain Couzin 说：“在生物组织中，从神经动力学到个体决策，从个体决策到集体行动，如此美丽的过程贯穿于决策的各个层面，这是非常了不起的。

可以说，这改变了我们对动物如何理解其丰富而复杂的世界的认识。”

 往期推荐 

关于数据实战派

数据实战派希望用真实数据和行业实战案例，帮助读者提升业务能力，共建有趣的大数据社区。