DeepMind 重大突破：AI 進化出大腦級導航能力，像動物一樣會「抄小路」

繼在圍棋棋盤上輕鬆戰勝人類後，AI似乎在對空間的認知和巡航能力上也要將人類「踩在腳下了。

雷鋒網消息 美國東部時間5月9日，一手打造AlphaGo的DeepMind團隊又在世界頂級學術雜誌《自然》上發表了一項重磅成果。在一篇題為Vector-based navigation using grid-like representations in artificial agents的論文中，DeepMind團隊稱，其其最新研發出的一個人工智慧程序具有類似哺乳動物一樣的尋路能力，非常類似大腦中網格細胞的工作原理。

人類在自然空間中遊刃有餘，可以輕鬆繞過障礙，找到自己與目的地間的捷徑，但其背後的機理卻不甚明了。

為了解開這個謎團，科學家們進行了孜孜不倦地探索。早在上個世紀六十年代末，UCL神經生理學家John O』Keefe就開始研究這個問題，並在1971年發現位置細胞（Place Cell），大腦定位系統的第一個元件。位置細胞能在主體到達特定地點時放電，從而賦予對過往地點的記憶，但位置細胞並不是坐標，也不具備幾何計算能力。

2005年，May-Britt Moser和Edvard Moser夫婦發現了大腦內嗅皮層更為神奇的網格細胞。他們記錄大鼠運動時特定神經細胞被相應激活的規律，發現網格細胞能將整個空間環境劃分成蜂窩狀的六邊形網格，就像地圖上的坐標系一樣。網格細胞的行為是如此令人震撼，2014年，Moser夫婦也因此分享了諾貝爾生理學獎。

不過，網格細胞僅僅是在空間環境中提供GPS定位服務嗎？一直以來，人們猜測網格細胞支撐著生物的矢量巡航，即計算通向目標的距離和方向，但人們在發現網格細胞十餘年後，對其計算功能以及和矢量巡航的關係，仍然未知。

這正是deepmind這篇論文試圖解開的謎團。

DeepMind團隊決定用人工神經網路檢驗上述猜想。人工神經網路是一種利用多層處理模擬大腦神經網路的運算結構。在這項工作中，研究人員首先訓練循環神經網路基於運動速度信息在虛擬環境中定位。這與哺乳動物在不熟悉環境中運動定位所用到的信息非常類似。

令人震驚的是，類似網格細胞的模式，研究人員稱之為網格單元，在神經網路中自然出現了。在此前的訓練中，研究人員並未刻意引導神經網路產生此種結構。人工智慧的定位方案，竟然與大自然億萬年進化所得到的答案如此一致。

DeepMind團隊隨後利用強化學習檢驗這種網格結構是否能夠進行矢量導航。強化學習被普遍用於訓練遊戲AI，人類告訴AI一種遊戲的得分獎懲機制，但卻不教授遊戲方法，由AI在反覆進行遊戲、努力爭取更高分的過程中自我進化。後期的AlphaGo就完全擯棄了人類棋譜經驗，在純粹的自我對弈中從零進化到更強版本。

研究人員將之前自動出現的網格結構與一個更大型的神經網路架構結合成了人工智慧體，置於虛擬現實的遊戲環境中。經歷強化學習後，該人工智慧在遊戲迷宮中向目的地前進的導航能力超越了一般人，達到了職業遊戲玩家水平。它能像哺乳動物一樣尋找新路線和抄近路。

而如果將網格單元靜音後，其巡航能力則大打折扣，距離和方向的計算誤差都增大，證明網格模式對矢量巡航的重要性。

對於這項發現，網格細胞發現者Edvard Moser表示：「這篇論文橫空出世，非常令人興奮。更令人吃驚的是，從另一個角度來看，計算機模式的發展最終回歸到了我們從生物學中發現的網格模式。

Deep Mind創始人和CEO，論文共同作者哈薩比斯稱：「我們相信人工智慧和神經科學是相互啟發的。這項工作就是很好的證明：通過研發出一個能在複雜環境中導航的人工智慧體，我們對網格細胞在哺乳動物導航中的重要性有了更深的理解。」

DeepMind團隊相信，這一工作既是理解網格細胞計算功能的重要一步，也是人工智慧發展的重要一步，顯示類腦機器學習構架的重要性。而同樣的方法，也可以用於研究生命的其他感知能力。

英國帝國理工學院劉芳德博士稱，位置細胞和網格細胞的研究對人工智慧特別是機器人系統啟發很大。位置細胞其實是空間索引的資料庫，描述的是拓撲空間；而網格細胞是幾何計算器，描術的是歐氏空間。這種組織跟我們目前計算機科學中的技術完全不同，並有非常強的優勢。

杜克大學陳怡然教授和博士生吳春鵬介紹，論文中提到的兩個細節值得注意。第一，如果神經網路的損失函數中不包括正則項，那麼神經網路無法表現出網格細胞功能。這一發現給了我們一個全新的角度去思考正則項的作用。第二，論文指出深度神經網路的「黑盒」特點阻礙了進一步分析網格細胞活動特性對路徑整合的作用。這一點再次印證了當前研究神經網路可解釋性的必要。

對此，約翰霍普金斯大學神經學家Francesco Savelli 和 James Knierim在同期Nature發表的題為AI mimics brain codes for navigation的新聞評述中強調：「網格模型增強了目標導向能力，這一事實證明了網格細胞在大腦中的作用。但是在模型中無法直接控制這些計算，使得我們很難對其背後的計算原理、演算法和編碼策略進行研究。如何讓深度學習系統更加智能以理解人類的推理邏輯，是未來我們面臨的一個令人興奮的挑戰。」

最後，附上論文鏈接https://www.nature.com/articles/s41586-018-0102-6雷鋒網雷鋒網

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！