美國(guó)當(dāng)?shù)貢r(shí)間 5 月 9 日，英國(guó) Deep Mind 團(tuán)隊(duì)與 University College London（UCL）在《Nature》上發(fā)表了一篇論文，震動(dòng)了學(xué)界。這篇論文標(biāo)題為 Vector- d navigation using grid-like representations in artificial agents，在這項(xiàng)研究中，研究團(tuán)隊(duì)通過(guò)深度學(xué)習(xí)方法，來(lái)訓(xùn)練計(jì)算機(jī)模擬大鼠在虛擬環(huán)境下追蹤自己的位置。
論文鏈接：http://t.cn/R32YrKS
哺乳動(dòng)物大腦中有一種用于導(dǎo)航的細(xì)胞稱(chēng)為網(wǎng)格細(xì)胞（grid cell），這些細(xì)胞在哺乳動(dòng)物記錄自己在空間中的位置時(shí)會(huì)被激活，細(xì)胞活動(dòng)在去噪后會(huì)呈現(xiàn)一種六邊形的排列模式。令科學(xué)家們大感意外的是，倫敦大學(xué)學(xué)院和 DeepMind 聯(lián)合開(kāi)發(fā)的 AI 模擬系統(tǒng)能自動(dòng)生成與大腦細(xì)胞活動(dòng)非常相似的六邊形模式，并可指導(dǎo)虛擬大鼠走捷徑。
圖丨研究人員使用AI得到的“網(wǎng)格單元”與哺乳動(dòng)物覓食狀態(tài)下的“網(wǎng)格細(xì)胞”在模式上高度相似
更令人驚訝的是，計(jì)算機(jī)模擬大鼠可以通過(guò)類(lèi)網(wǎng)格細(xì)胞編碼在虛擬迷宮中很好的導(dǎo)航，甚至能找到走出迷宮的捷徑！
“這篇論文非常令人意外，簡(jiǎn)直是震撼！”來(lái)自挪威的神經(jīng)科學(xué)家 Edvard Moser 如此評(píng)價(jià)。Edvard Moser 夫婦曾因共同發(fā)現(xiàn)了網(wǎng)格細(xì)胞及大腦內(nèi)其他導(dǎo)航神經(jīng)，而榮獲 2014 年諾貝爾生理學(xué)或醫(yī)學(xué)獎(jiǎng)。
圖丨2014 年的諾貝爾生理學(xué)或醫(yī)學(xué)獎(jiǎng)得主梅·布萊特·莫索爾和愛(ài)德華·莫索爾夫婦
“這一成果是令人震驚的，因?yàn)閬?lái)自完全不同維度的計(jì)算機(jī)模型，居然能重現(xiàn)我們?cè)谏飳W(xué)中觀察到的網(wǎng)格細(xì)胞模式。”Edvard Moser 進(jìn)一步表示，“當(dāng)然這也是一個(gè)令人欣喜的結(jié)果，至少說(shuō)明了哺乳動(dòng)物大腦在空間解碼方面已經(jīng)生成了一種最佳方式。”
“如果能深入分析這一深度學(xué)習(xí)系統(tǒng)的內(nèi)部工作方式應(yīng)該是一件很有趣的事情，我們想知道研究團(tuán)隊(duì)是否發(fā)現(xiàn)了一種可以用空間導(dǎo)航的通用計(jì)算機(jī)準(zhǔn)則。”來(lái)自德國(guó)慕尼黑大學(xué)的計(jì)算機(jī)神經(jīng)科學(xué)家 Andreas Herz 表示。
深度學(xué)習(xí)與老鼠
本次發(fā)表的研究成果是基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，對(duì)神經(jīng)科學(xué)理論假設(shè)的一次測(cè)試，即大腦能通過(guò)網(wǎng)格神經(jīng)來(lái)整合自身速度、方向等身體動(dòng)作先關(guān)信息，從而實(shí)現(xiàn)在環(huán)境中的定位。
首先，作者通過(guò)模擬虛擬的大鼠在其所在地附近覓食的移動(dòng)路徑，再加上模擬嚙齒類(lèi)動(dòng)物活動(dòng)區(qū)域與其頭向細(xì)胞活動(dòng)，以此生成數(shù)據(jù)來(lái)訓(xùn)練算法。但這還不是所謂的網(wǎng)格細(xì)胞的活動(dòng)，科學(xué)家使用這些生產(chǎn)的數(shù)據(jù)進(jìn)一步訓(xùn)練深度網(wǎng)絡(luò)學(xué)習(xí)網(wǎng)絡(luò)模型，進(jìn)而識(shí)別感知虛擬大鼠所在的位置，而科學(xué)家在此中發(fā)現(xiàn)，在計(jì)算單元中出現(xiàn)了網(wǎng)格狀活動(dòng)的六角形模式，與實(shí)驗(yàn)室中真實(shí)大鼠大腦里的狀況一樣。
此一研究的共同作者倫敦大學(xué)的神經(jīng)科學(xué)家 Caswell Barry 表示，在研究啟動(dòng)時(shí)，的確期待看到這些網(wǎng)格活動(dòng)的出現(xiàn)，但當(dāng)實(shí)際親眼目睹，卻還是十分讓人驚訝。在 Caswell Barry 長(zhǎng)年的神經(jīng)科學(xué)研究歷程中，曾經(jīng)多次看到網(wǎng)格活動(dòng)的出現(xiàn)，他清楚知道網(wǎng)格活動(dòng)呈現(xiàn)出的規(guī)律性。
而科學(xué)家緊接著對(duì)于調(diào)整系統(tǒng)進(jìn)而增加一些人為的噪音干擾感到興趣，科學(xué)家希望借此讓神經(jīng)網(wǎng)絡(luò)單元也與實(shí)際大腦環(huán)境更加類(lèi)似，進(jìn)而刺激網(wǎng)格活動(dòng)的出現(xiàn)。Herz 表示，這是所有理論神經(jīng)科學(xué)家一直都在思考研究的題目，但確始終無(wú)從著手進(jìn)行測(cè)試。
但這樣的測(cè)試如今卻可通過(guò) AI 進(jìn)行，研究人員通過(guò)測(cè)試系統(tǒng)，測(cè)試虛擬大鼠可否利用此一系統(tǒng)進(jìn)行導(dǎo)航定位。研究人員將用以模擬此一活動(dòng)的虛擬大鼠放在一個(gè)設(shè)計(jì)成迷宮的模型中，訓(xùn)練這只虛擬大鼠學(xué)會(huì)走向特定的目標(biāo)，而研究者在整個(gè)實(shí)驗(yàn)系統(tǒng)中添加了學(xué)習(xí)所需要的記憶與獎(jiǎng)勵(lì)機(jī)制，經(jīng)營(yíng)這個(gè)程序的設(shè)計(jì)添加，模擬大鼠通過(guò)反復(fù)試驗(yàn)很快就找到該去的位置，而且逐漸變得熟門(mén)熟路，與同樣嘗試進(jìn)行相同測(cè)試的人類(lèi)科學(xué)家相比，這些模擬大鼠的表現(xiàn)甚至于遠(yuǎn)遠(yuǎn)超過(guò)人類(lèi)。
圖丨網(wǎng)格單元導(dǎo)航能力演示。圓形代表網(wǎng)格單元的數(shù)量多少，著色則表示網(wǎng)格單元活躍。AI目標(biāo)移動(dòng)時(shí)，一些網(wǎng)格單元活躍，并計(jì)算到達(dá)目的地的最短路徑。
而且值得注意的是，在過(guò)程中研究人員也發(fā)現(xiàn)，如果刻意干擾阻止網(wǎng)格細(xì)胞的形成，模擬大鼠就無(wú)法在迷宮中行走達(dá)任務(wù)。同時(shí) Barry 表示，在實(shí)驗(yàn)室中真實(shí)大鼠身上關(guān)閉網(wǎng)格細(xì)胞并不可能做到。
而 DeepMind 研究人員、同時(shí)也是此一論文的共同作者 Andrea Banino 表示，“盡管 DeepMind 通過(guò)與神經(jīng)科學(xué)家合作，激發(fā)出全新的人工智能研究突破，但到目前為止，這仍然停留在純粹 AI 算法的基礎(chǔ)研究階段，并不是真正可以導(dǎo)入應(yīng)用的研究結(jié)果。”
有趣的是，從更宏觀的角度來(lái)看，這個(gè)網(wǎng)絡(luò)是從非常一般性的計(jì)算假設(shè)開(kāi)始，這個(gè)假設(shè)沒(méi)有考慮到特定的生物學(xué)機(jī)制，而是找到了一個(gè)類(lèi)似于大腦的路徑集成的解決方案。這表明網(wǎng)格單元的活動(dòng)模式有一些特殊的東西來(lái)支持的。然而，深度學(xué)習(xí)系統(tǒng)的黑盒（black-box）特征意味著很難確定那是什么東西。
不可否認(rèn)的是，許多研究人員同意 AI 將會(huì)成為測(cè)試許多大腦研究問(wèn)題假設(shè)的有用工具，但卻也都認(rèn)為，AI 無(wú)法回答更多關(guān)于大腦如何或?yàn)楹芜\(yùn)作的問(wèn)題。但 Moser 認(rèn)為，這篇論文的出現(xiàn)還是讓人興奮的，而且并不會(huì)對(duì)神經(jīng)科學(xué)家的工作造成威脅，因?yàn)檫@篇論文開(kāi)啟了一個(gè)重要的方向，也就是 AI 將有機(jī)會(huì)加速對(duì)大腦導(dǎo)航的研究。
{{item.content}}