人工智能模仿大脑的导航代码

人工智能模仿大脑的导航代码

深度学习是一种受大脑神经网络启发的人工智能方法。从自动视频分析到语言翻译，这项技术为许多技术做出了贡献。Bani no等人在《自然》杂志上发表了一篇论文。1使用这个框架来深入了解真实的神经网络，特别是几何规则的空间表示如何促进灵活的导航策略。

你可以教深入学习网络如何处理输入以实现特定的输出——例如，学习从不同人的许多照片中选择特定的面孔。网络是“深”的，因为它们由连续的重复计算单元层组成。每个单元接收来自前一层类似单元的输入，并将输出发送到下一层的输出。数学上，这种网络可以被视为高维函数，并且可以通过改变下一层输出的加权方式来进行调制。

网络在训练阶段调整其功能，这通常取决于一组输入输出示例。例如，深度学习系统可以显示一系列照片，并告诉哪些照片包含它要识别的面孔。优化算法会自动调整它的权重，直到它学会正确识别为止。网络的深度组织使它有惊人的能力发现和利用例子中反复出现的最有用的功能和模式，并区分不同的面孔。然而，一个缺点是最终网络通常是黑盒——训练期间获得的计算解决方案通常不能从整个层中分配的无数权重中解密。

深度学习网络可以成功地完成感知任务2，但是对于复杂的行为任务，如导航，研究较少。现实生活中导航的一个关键方面是通过根据行进的方向和距离计算每一步的位移来估计每一步之后的位置。这一过程被称为路径整合，神经科学家、认知科学家和机器人学家认为这对于生成环境认知图3 - 5至关重要。几种类型的神经元与大脑的认知图相关联，包括位置细胞，当生物体在环境中占据特定位置时，位置细胞会发出信号，而头部方向细胞会发出头部方向信号。

第三种类型的神经元，网格细胞，是在动物处于一组点中的任何一点时触发的，这些点在整个环境中形成六边形网格图案。网格元素被认为是认知地图的几何属性，有助于规划和跟踪轨迹。这些细胞存在于大脑的海马体中，参与空间学习、自传体记忆和对人类世界一般事实的了解。

Bani no和他的同事开始在深度学习网络中产生路径整合。因为路径集成涉及记住上一个处理步骤的输出，并将其用作下一个处理步骤的输入，所以作者使用了一个包含反馈回路的网络。他们使用觅食啮齿动物的方式来模拟训练网络。该系统接收关于模拟啮齿动物的线性和角速度的信息，以及关于细胞在位置和头部方向上的模拟活动的信息——后两者充当啮齿动物当前位置和头部方向的“神谕”。

作者发现，在训练期间，类似网格单元的活动模式会自发地出现在网络中间层的计算单元中，即使这种模式没有在网络或训练协议中明确强加。网格状细胞的出现是一个令人印象深刻的例子，说明深度学习是如何最好地工作的:发明原始的、通常不可预知的内部表示来帮助解决任务。

网格状元素允许网络基于路径集成来跟踪位置。Bani No等人表示，他们是否也能帮助系统学习如何有效地从当前位置导航到目标位置，以解决这个问题。添加了一个强化学习组件，在该组件中，网络学会了为在特定位置采取的特定动作赋值。更高的值被分配作为使模拟啮齿动物更接近目标的奖励。与控制仿真相比，网格状表示显著提高了网络解决面向目标任务的能力，其中开始和目标位置由位置和头部方向单元编码。当关闭的门等障碍被清除后，训练有素的网络会找到更智能的捷径，甚至推断出以前未开发的熟悉环境配件中的目标。6或7个以前未开发的环境。

人工智能系统学会了一条捷径。在哺乳动物大脑中，当动物处于环境中的特定位置时，细胞被放置，当头部处于特定方向时，细胞向头部方向射击，当动物处于形成六角形网格的点时，细胞开始向环境射击。Bani no和他的同事1已经训练了一个人工智能系统，叫做深度学习网络，通过提供啮齿动物觅食模式的模拟来导航，包括位置和头部细胞活动。网络中的一些计算单元已经开发了类似于网格单元的传输模式(未示出)。首先，当学习导航到目标时，使用网格单元的系统(红线表示样本路径)和使用局部和头部方向单元的系统(蓝线)采用相似的路径。b，但是当引入快捷方式时，例如，通过打开先前关闭的门，只有使用网格单元的系统找到了更短的路线，突出了网格单元活动促进灵活导航策略的能力。

未来，作者的网络可以用来探索网格和定位单元之间相互作用的结果。在当前网络中，模拟位置层在训练期间不会改变。然而，在大脑中，网格和定位细胞以不太清晰的方式相互作用。虽然现实生活中的位置单元可以保留在不存在的网格单元的输入空间选择性8中，但是当动物远离地标9 - 11时，这些输入似乎很重要，地标9 - 11可以用来定义外部的位置。在这些条件下，放置单元可以依靠路径整合和网格单元来保持精确的位置估计。通过开发一个网络，使得位置单元层可以被网格状输入调制，我们可以开始解开这种关系。

从更广阔的角度来看，有趣的是，网络发现了一个类似于大脑的路径整合解决方案，从一个非常普遍的计算假设开始，这个假设考虑了非常特殊的生物机制。网络融合是这种解决方案的令人信服的证据，证明网格单元的活动模式中有一些特殊的东西支持路径集成。然而，深度学习系统的黑箱功能意味着很难确定什么是什么。

同样，网格表示增强了面向目标的性能这一事实也有力地证明了网格细胞在大脑中的作用。然而，作者不得不在定性直觉的指导下使用相关分析来间接推断网络正在进行向量计算。由于这些计算不能在模型中直接操作，因此很难检查计算原理、算法和编码策略，它们使得空间网格单元表示成为导航的有效解决方案。因此，理论家最终陷入了与实验家相同的困境:试图理解一个知识很少的复杂系统。让深入学习系统更容易理解人类推理是未来令人兴奋的挑战。