谷歌DeepMind自行“进化”出人脑模式，新型AI 算法具备超越人类的方向感

人工智能可以提高生产力，但殊不知，科学家们已经开始使用 AI 技术来来重现大脑的高级认知功能！这次，他们创造了一套复杂神经网络来模拟大脑的空间导航能力。这一成果向世人展示了 AI 算法能很好的帮助神经科学家们来验证他们关于大脑运作方式的各种理论，当然，这种基于计算机的强大验证工具暂时还不至于让传统神经科学家们失业。

美国当地时间 5 月 9 日，英国 Deep Mind 团队与 University College London（UCL）在《Nature》上发表了一篇论文，震动了学界。这篇论文标题为 Vector-based navigation using grid-like representations in artificial agents，在这项研究中，研究团队通过深度学习方法，来训练计算机模拟大鼠在虚拟环境下追踪自己的位置。

论文链接：http://t.cn/R32YrKS

哺乳动物大脑中有一种用于导航的细胞称为网格细胞（grid cell），这些细胞在哺乳动物记录自己在空间中的位置时会被激活，细胞活动在去噪后会呈现一种六边形的排列模式。令科学家们大感意外的是，伦敦大学学院和 DeepMind 联合开发的 AI 模拟系统能自动生成与大脑细胞活动非常相似的六边形模式，并可指导虚拟大鼠走捷径。

图丨研究人员使用AI得到的“网格单元”与哺乳动物觅食状态下的“网格细胞”在模式上高度相似

更令人惊讶的是，计算机模拟大鼠可以通过类网格细胞编码在虚拟迷宫中很好的导航，甚至能找到走出迷宫的捷径！

“这篇论文非常令人意外，简直是震撼！”来自挪威的神经科学家 Edvard Moser 如此评价。Edvard Moser 夫妇曾因共同发现了网格细胞及大脑内其他导航神经，而荣获 2014 年诺贝尔生理学或医学奖。

图丨2014 年的诺贝尔生理学或医学奖得主梅·布莱特·莫索尔和爱德华·莫索尔夫妇

“这一成果是令人震惊的，因为来自完全不同维度的计算机模型，居然能重现我们在生物学中观察到的网格细胞模式。”Edvard Moser 进一步表示，“当然这也是一个令人欣喜的结果，至少说明了哺乳动物大脑在空间解码方面已经生成了一种最佳方式。”

“如果能深入分析这一深度学习系统的内部工作方式应该是一件很有趣的事情，我们想知道研究团队是否发现了一种可以用空间导航的通用计算机准则。”来自德国慕尼黑大学的计算机神经科学家 Andreas Herz 表示。

深度学习与老鼠

本次发表的研究成果是基于深度学习神经网络，对神经科学理论假设的一次测试，即大脑能通过网格神经来整合自身速度、方向等身体动作先关信息，从而实现在环境中的定位。

首先，作者通过模拟虚拟的大鼠在其所在地附近觅食的移动路径，再加上模拟啮齿类动物活动区域与其头向细胞活动，以此生成数据来训练算法。但这还不是所谓的网格细胞的活动，科学家使用这些生产的数据进一步训练深度网络学习网络模型，进而识别感知虚拟大鼠所在的位置，而科学家在此中发现，在计算单元中出现了网格状活动的六角形模式，与实验室中真实大鼠大脑里的状况一样。

此一研究的共同作者伦敦大学的神经科学家 Caswell Barry 表示，在研究启动时，的确期待看到这些网格活动的出现，但当实际亲眼目睹，却还是十分让人惊讶。在 Caswell Barry 长年的神经科学研究历程中，曾经多次看到网格活动的出现，他清楚知道网格活动呈现出的规律性。

而科学家紧接着对于调整系统进而增加一些人为的噪音干扰感到兴趣，科学家希望借此让神经网络单元也与实际大脑环境更加类似，进而刺激网格活动的出现。Herz 表示，这是所有理论神经科学家一直都在思考研究的题目，但确始终无从着手进行测试。

但这样的测试如今却可通过 AI 进行，研究人员通过测试系统，测试虚拟大鼠可否利用此一系统进行导航定位。研究人员将用以模拟此一活动的虚拟大鼠放在一个设计成迷宫的模型中，训练这只虚拟大鼠学会走向特定的目标，而研究者在整个实验系统中添加了学习所需要的记忆与奖励机制，经营这个程序的设计添加，模拟大鼠通过反复试验很快就找到该去的位置，而且逐渐变得熟门熟路，与同样尝试进行相同测试的人类科学家相比，这些模拟大鼠的表现甚至于远远超过人类。

图丨网格单元导航能力演示。圆形代表网格单元的数量多少，着色则表示网格单元活跃。AI目标移动时，一些网格单元活跃，并计算到达目的地的最短路径。

而且值得注意的是，在过程中研究人员也发现，如果刻意干扰阻止网格细胞的形成，模拟大鼠就无法在迷宫中行走达任务。同时 Barry 表示，在实验室中真实大鼠身上关闭网格细胞并不可能做到。

而 DeepMind 研究人员、同时也是此一论文的共同作者 Andrea Banino 表示，“尽管 DeepMind 通过与神经科学家合作，激发出全新的人工智能研究突破，但到目前为止，这仍然停留在纯粹 AI 算法的基础研究阶段，并不是真正可以导入应用的研究结果。”

有趣的是，从更宏观的角度来看，这个网络是从非常一般性的计算假设开始，这个假设没有考虑到特定的生物学机制，而是找到了一个类似于大脑的路径集成的解决方案。这表明网格单元的活动模式有一些特殊的东西来支持的。然而，深度学习系统的黑盒（black-box）特征意味着很难确定那是什么东西。

不可否认的是，许多研究人员同意 AI 将会成为测试许多大脑研究问题假设的有用工具，但却也都认为，AI 无法回答更多关于大脑如何或为何运作的问题。但 Moser 认为，这篇论文的出现还是让人兴奋的，而且并不会对神经科学家的工作造成威胁，因为这篇论文开启了一个重要的方向，也就是 AI 将有机会加速对大脑导航的研究。