人工网络推动细胞演化 人工智能导航开发类似大脑位置跟踪功能

本文由Rehoo团队Leery原创，无授权禁转！(图片来自网络）

图片来自网络

DeepMind是一家专注于深度学习的人工智能研究公司。这是一种受神经网络启发的方式，它通过多个连续的分析层“深层”传递输入以提供输出。 这就是 AlphaGo，它可以说是历史上最强大的人工智能。

图片来自网络

现在该公司正在将DeepMind应用于导航。导航依赖于空间中相对于周围环境的位置，并在移动时不断更新这些运算结果。DeepMind的科学家在测试神经网络导航，模仿老鼠在探索时觅食的路径。这些网络获得了有关老鼠的速度，头部方向，与墙壁的距离以及其他细节的信息。令研究人员震惊的是，学会成功导航这个空间的网络已经形成了一个类似于网格单元层。这令人惊讶，因为它与哺乳动物大脑用于导航的系统完全相同。

图片来自网络

我们大脑中的几种不同细胞群体帮助我们在外界环境中穿行。位置单元格因为它们在我们环境中的特定位置相对于熟悉的外部对象通过时触发。它们位于海马区（一个负责记忆形成和储存的大脑区域），因此被认为为我们的记忆提供了一个细胞的地方。因为它们将一个假想的六边形网格叠加在我们的周围，只要我们通过该网格上的一个节点，它们就会触发。

更深入的实验表明，将神经网络开发出类似于网格单元，其中具有显着的六边形周期性网格性层，可以导航比初始方形或更复杂的环境，这些网络可以根据环境的变化调整他们的路线，识别并使用快捷方式在先前关闭的门向他们打开后进入预先设定的目标。

这些结果有一些有趣的分支。其中之一是建议网格单元是最佳导航方式。然而计算机系统作为最好的解决方案触发了他们，就像我们的生物系统一样。所以我们最终得到的系统无论如何都是最优化的。这份报告似乎暗示说，对于网格单元，情况可能确实如此。

图片来自网络

另一个定义是支持这样的想法，网格单元可以将欧几里德框架强加于我们的周围环境，使我们能够找到并遵循最直接的路线到达目的地。自2005年发现网格单元以来，该功能就已经被提出，但它尚未经过实证证明。DeepMind的研究结果为康德在18世纪提出的观点提供了生物学支持，认为我们对地带点的看法是独立于先天能力的经验。

我们知道网格单元格和地点单元格相互作用，但我们不知道也许像这样的神经网络，其中网格细胞层可以被提供给位置细胞层来解释的输入，可以提供用于阐明该关系的模型系统。因为就像我们本身一样，这些人工智能需要先弄明白自己在哪里，然后才能弄清楚他们是如何去别处。