人工網路推動細胞演化 人工智慧導航開發類似大腦位置跟蹤功能

原創不易 請隨手點擊關注

本文由Rehoo團隊Leery原創，無授權禁轉！(圖片來自網路）

圖片來自網路

DeepMind是一家專註於深度學習的人工智慧研究公司。這是一種受神經網路啟發的方式，它通過多個連續的分析層「深層」傳遞輸入以提供輸出。 這就是 AlphaGo，它可以說是歷史上最強大的人工智慧。

圖片來自網路

現在該公司正在將DeepMind應用於導航。導航依賴於空間中相對於周圍環境的位置，並在移動時不斷更新這些運算結果。DeepMind的科學家在測試神經網路導航，模仿老鼠在探索時覓食的路徑。這些網路獲得了有關老鼠的速度，頭部方向，與牆壁的距離以及其他細節的信息。令研究人員震驚的是，學會成功導航這個空間的網路已經形成了一個類似於網格單元層。這令人驚訝，因為它與哺乳動物大腦用於導航的系統完全相同。

圖片來自網路

我們大腦中的幾種不同細胞群體幫助我們在外界環境中穿行。位置單元格因為它們在我們環境中的特定位置相對於熟悉的外部對象通過時觸發。它們位於海馬區（一個負責記憶形成和儲存的大腦區域），因此被認為為我們的記憶提供了一個細胞的地方。因為它們將一個假想的六邊形網格疊加在我們的周圍，只要我們通過該網格上的一個節點，它們就會觸發。

更深入的實驗表明，將神經網路開發出類似於網格單元，其中具有顯著的六邊形周期性網格性層，可以導航比初始方形或更複雜的環境，這些網路可以根據環境的變化調整他們的路線，識別並使用快捷方式在先前關閉的門向他們打開後進入預先設定的目標。

這些結果有一些有趣的分支。其中之一是建議網格單元是最佳導航方式。然而計算機系統作為最好的解決方案觸發了他們，就像我們的生物系統一樣。所以我們最終得到的系統無論如何都是最優化的。這份報告似乎暗示說，對於網格單元，情況可能確實如此。

圖片來自網路

另一個定義是支持這樣的想法，網格單元可以將歐幾里德框架強加於我們的周圍環境，使我們能夠找到並遵循最直接的路線到達目的地。自2005年發現網格單元以來，該功能就已經被提出，但它尚未經過實證證明。DeepMind的研究結果為康德在18世紀提出的觀點提供了生物學支持，認為我們對地帶點的看法是獨立於先天能力的經驗。

我們知道網格單元格和地點單元格相互作用，但我們不知道也許像這樣的神經網路，其中網格細胞層可以被提供給位置細胞層來解釋的輸入，可以提供用於闡明該關係的模型系統。因為就像我們本身一樣，這些人工智慧需要先弄明白自己在哪裡，然後才能弄清楚他們是如何去別處。

歡迎關注微信公眾號：RehooTech

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！