【转载】 Nature再发DeepMind研究：AI复现大脑网格细胞模拟导航！

原文地址：

https://news.eeany.cn/news/416675-19.html

=======================================================

神秘的网格细胞：大脑内置GPS

从家出发到新的地点，再原路返回，从中选择尽可能的捷径，这是绝大多数动物都能胜任的简单任务。然而，大脑这种本能的导航机制尚未被完全理解。

科学家们在动物和人类大脑中找到了三种跟认路相关的细胞，分别是位置细胞、方向细胞和网格细胞。

位置细胞能在主体到达特定地点时放电，从而赋予对过往地点的记忆；方向细胞能感应前进的方向；网格细胞则是最神秘的一种：它们能将整个空间环境划分成蜂窝状的六边形网格，仿佛地图上的坐标系。

发现网格细胞的的莫索尔夫妇因此获得了2014年的诺贝尔生理学或医学奖。不过，网格细胞仅仅是在空间环境中提供GPS定位服务吗？一些科学家猜测，它们也会参与矢量计算，辅助动物规划路径。

人工神经网络中自动出现类似结构

DeepMind团队决定用人工神经网络检验上述猜想。人工神经网络是一种利用多层处理模拟大脑神经网络的运算结构。团队首先用深度学习算法训练神经网络学习哺乳动物的觅食运动路径，利用线速度、角速度等信号在视觉环境中进行定位。

研究人员随后发现，一种类似于网格细胞活动特征的结构自动诞生了！在此前的训练中，研究人员并未刻意引导神经网络产生此种结构。

人工神经网络中自动出现了与大鼠网格细胞（下）类似的网格结构（上） 图片来源：DeepMind官方博客

这再次显示了深度学习的可喜又可畏之处：这是一种通过大量匹配的输入和输出值训练机器自我摸索的算法，最后得到的机器逻辑是不为人知的黑匣子。正如AlphaGo自动领悟了人类千年棋史上从所未见的“天外飞仙”棋招，这次的神经网络也自动出现了令人惊喜的结构。

迷宫寻路

DeepMind团队随后利用强化学习检验这种网格结构是否能够进行矢量导航。强化学习被普遍用于训练游戏AI，人类告诉AI一种游戏的得分奖惩机制，但却不教授游戏方法，由AI在反复进行游戏、努力争取更高分的过程中自我进化。后期的AlphaGo就完全摈弃了人类棋谱经验，在纯粹的自我对弈中从零进化到更强版本。

研究人员将之前自动出现的网格结构与一个更大型的神经网络架构结合成了人工智能体，置于虚拟现实的游戏环境中。经历强化学习后，该人工智能在游戏迷宫中向目的地前进的导航能力超越了一般人，达到了职业游戏玩家水平。它能像哺乳动物一样寻找新路线和抄近路。

人工智能学习在迷宫中抄近路

最关键的是，当研究人员“静默”原来的网格结构后，人工智能体的导航能力就会变弱，判断目标的距离和方向都更不准确了。

论文作者之一Dharshan Kumaran说道：“我们证明了网格细胞远不只是给我们提供GPS定位信号，也是一种大脑赖以计算两个地点间的最短距离的核心导航机制。”

用人工智能代替小白鼠做实验

与一直强调“人工智能不是仿生学”的Facebook人工智能首席科学家杨立昆（Yann Lecun）不同，天才创始人戴密斯·哈萨比斯(Demis Hassabis)执掌的DeepMind热衷探索人工智能与脑科学的相辅相成。这项研究再一次体现了他们的科学理念：脑科学启发下的人工智能算法能反过来帮助人类探索大脑运行机制，从而也更好地理解人工智能的内在逻辑。

哈萨比斯评价道：“我们相信人工智能和神经科学是相互启发的。这项工作就是很好的证明：通过研发出一个能在复杂环境中导航的人工智能体，我们对网格细胞在哺乳动物导航中的重要性有了更深的理解。”

DeepMind团队相信，类似的研究方法还可以用来探索大脑听觉和控制四肢的机制。在更远的将来，神经科学家们甚至可以用人工智能代替小白鼠来做实验。

=============================================================

个人读后理解：

这个论文《Vector-based navigation using grid-like representations in artificial agents》主要做了什么？

grid-cells 是一种人类的脑神经结构，该神经主要的功能就是通过对位置信息编码（可能是使用视觉信号、速度信号等信号对当前空间位置信息进行编码），在人类脑神经研究中一直有两个观点，一个观点是grid-cells编码后的位置信息可以进行位置矢量计算的，比如计算出路径远近等，但是另一种观点却不这样认为，这篇人工智能的论文做的工作是什么呢：

首先，该论文利用速度信号、视觉信号对神经网络进行训练得到对空间位置信息的一种编码，而这种编码形式与人类脑神经中grid-cells的编码形式十分的相似，因此在一定程度上本文就姑且认为这种人工神经的编码和生物体中的编码是功能相似的；

然后，该论文将该种人工神经网络对空间位置编码后的信息交给一个更大的神经网络并通过强化学习算法进行寻路导航的训练，最后发现可以得到很好的效果，因此就得出与grid-cells相似的人工神经网络所得到的信息可以被用作空间矢量计算，这也在一定程度上支持了人类的grid-cells细胞编码后的空间信息也是可以进行空间矢量计算的。

说白了，这个论文就是发现一种与人类grid-cells细胞编码功能相似的人工神经网络结构，而该人工神经网络结构编码后的信息可以进行空间位置的矢量计算（和另一人工神经网络拼合后用强化学习进行训练），于是由此反推人类的grid-cells细胞编码后的信息也是可以在人脑中进行空间矢量计算的。也就是说人脑中某类脑神经结构功能不确定，但是人工神经网络中可以找到与其编码功能相似的人工神经网络结构，通过判断这个人工神经网络的功能来推断真实人脑中对应的那部分脑神经结构的功能。

总的来说，论文还是蛮新奇，搞的也蛮高大上，不过这个结论是否能站得住脚还是有得商榷，与人脑部分神经结构有一定相似编码形式的人工神经网络其在人工智能计算中具备的功能就一定在人脑对应的那部分真实细胞中也具备如此功能吗，这个也是不一定的，毕竟人工神经网络和真实的脑神经还是距离蛮大的，再者只通过这二者在编码形式上的相似就推断二者在其他功能上也具备相似性本身也是有些以偏概全的嫌疑。

========================================================