DeepMind已经训练了一个AI来解开你大脑的奥秘

在没有任何人工帮助的情况下，他们可以在中国游戏“Go”中击败任何人，并在几秒钟内在照片上匹配成千上万的面孔，但直到现在算法还没有掌握一些看似最简单的任务之一：空间感知。

由谷歌母公司Alphabet拥有的DeepMind的研究人员已经设法模仿了我们的大脑利用人工智能驾驭我们周围空间的复杂方式。它帮助我们以前所未有的方式理解大脑。

虽然它看起来像第二天性，当你走在熟悉的街道上时，你脑中发生的事情 - 例如，越过障碍物，记住商店，决定何时过马路或如何走捷径 - 这些是非常复杂的。

大量的脑细胞参与了动物的分析。例如，当生物占据特定位置时发射的放置细胞，以及指示动物头部方向的头部方向细胞。

另一种负责空间导航的关键神经元称为网格单元。网格细胞是第三种神经元，存在于大脑区域，涉及空间学习，记忆和一般事实的知识。

与地方和头部方向的细胞不同，网格细胞以完美的六边形排列，当动物在环境中移动时会触发它们，并在它移动时跟踪它的进展。人们认为细胞之间连接的规则形状有助于动物复制周围的物体和空间，以及它们如何连接在一起，就像头部内的地图一样。

他们不断更新。当动物进入一个新的地方时，相同的网格单元将再次开始射击，从而完成新的环境。

网格细胞于2005年被发现，当时May-Britt Moser和Edvard Moser在大鼠移动时记录了大鼠的大脑信号，并注意到一种令人惊讶的规律模式。“网格细胞的令人难以置信的发现表明，大脑通过覆盖空间网格来创建地图，这对于了解我们的位置非常有帮助 - 为我们提供类似于GPS信号的东西，”研究科学家Dharshan Kumaran说道。在DeepMind。

但究竟网格单元的工作原理仍然是个谜。剩下的一个问题是它们是否帮助动物执行一种称为基于矢量的导航 - 能够计算两点之间的方向和距离以选择最短路径，以及在路线中找到快捷方式。

现在，人工智能背后的大脑在古老的棋盘游戏中击败了世界上最好的球员之一，这让我们更接近回答这个问题。

“我们思考，记忆和感受的一切都以某种方式在我们的大脑中编码，”DeepMind的研究科学家Andrea Banino说。“为了理解这一点，我们必须学会如何观察神经元，测量它们的活动，并将其与我们的行为联系起来。然而，这在生物大脑中很难做到。“

相反，DeepMind希望通过神经网络来回答有关大脑如何工作的问题，这些算法受到神经元在大脑中工作方式的启发。结果发表在Nature杂志上。

该团队与UCL科学家合作，开发了一种神经网络，可以记住上一步的输出并将其用作下一步的输入。这称为循环网络。他们输入一个真正的老鼠的速度，方向和头部倾斜，围绕一个真正的迷宫移动，模拟大鼠四处移动时发生的事情。

当虚拟老鼠接受训练以找到其位置时，该团队发现在网络中开始形成类似网格的活动模式。一些节点的使用比其他节点更多。这些类似于动物大脑中网格细胞中显示的模式。

在网络训练之后，接下来的问题是神经网络的网格单元版本是否能够让它找到两点之间的最佳方式，事实证明它们可以。

“人类大脑是我们现有的唯一证据，即我们正在尝试构建的一般智能甚至是可能的，因此将神经科学视为新型算法的灵感来源是有意义的，”Demis Hassabis说道。 ，DeepMind联合创始人兼首席执行官。

“但我们相信这种灵感应该是一条双向的道路，从人工智能研究中也可以看到洞察力，以揭示神经科学中的开放性问题。这项工作就是一个很好的例子：通过构建能够在复杂环境中导航的人工智能体，我们强调了重要性，并扩展了我们对哺乳动物导航中生物网格细胞的理解。

结果表明，人工智能不仅可以用于复制大脑，而且可以更好地理解它。例如，在这种情况下，已经证明网格单元可以用于基于矢量的导航，这意味着它们不仅仅用于计算我们的位置，而是用于计算两点之间的最佳路径。

“使深度学习系统对人类推理更容易理解是对未来的一个激动人心的挑战，”来自巴尔的摩约翰霍普金斯大学Zanvyl Krieger心灵/脑研究所的Francesco Savelli和James Knierim说。两人在自然界写了一篇随附的评论文章，没有参与原始研究。

DeepMind的研究人员希望这项研究能够成为使用人工智能研究大脑其他部分的灵感，包括理解声音或控制肢体的部分。

“对于传统的神经科学来说，这已经证明是非常困难的，因此，如果我们能够改进这些人工模型，我们可能会使用它们来了解其他脑功能，”Banino说。“这将是迈向大脑理解未来的一大步。”