人工智能可以提高生產(chǎn)力，但殊不知，科學(xué)家們已經(jīng)開始使用 AI 技術(shù)來來重現(xiàn)大腦的高級認(rèn)知功能！這次，他們創(chuàng)造了一套復(fù)雜神經(jīng)網(wǎng)絡(luò)來模擬大腦的空間導(dǎo)航能力。這一成果向世人展示了 AI 算法能很好的幫助神經(jīng)科學(xué)家們來驗(yàn)證他們關(guān)于大腦運(yùn)作方式的各種理論，當(dāng)然，這種基于計算機(jī)的強(qiáng)大驗(yàn)證工具暫時還不至于讓傳統(tǒng)神經(jīng)科學(xué)家們失業(yè)。

美國當(dāng)?shù)貢r間 5 月 9 日，英國 Deep Mind 團(tuán)隊(duì)與 University College London（UCL）在《Nature》上發(fā)表了一篇論文，震動了學(xué)界。這篇論文標(biāo)題為 Vector-based navigaTIon using grid-like representaTIons in arTIficial agents，在這項(xiàng)研究中，研究團(tuán)隊(duì)通過深度學(xué)習(xí)方法，來訓(xùn)練計算機(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

哺乳動物大腦中有一種用于導(dǎo)航的細(xì)胞稱為網(wǎng)格細(xì)胞（grid cell），這些細(xì)胞在哺乳動物記錄自己在空間中的位置時會被激活，細(xì)胞活動在去噪后會呈現(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)合開發(fā)的 AI 模擬系統(tǒng)能自動生成與大腦細(xì)胞活動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，計算機(jī)模擬大鼠可以通過類網(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，簡直是震撼！”來自挪威的神經(jīng)科學(xué)家 Edvard Moser 如此評價。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。

圖丨2014 年的諾貝爾生理學(xué)或醫(yī)學(xué)獎得主梅·布萊特·莫索爾和愛德華·莫索爾夫婦

“這一成果是令人震驚的，因?yàn)閬碜酝耆煌S度的計算機(jī)模型，居然能重現(xiàn)我們在生物學(xué)中觀察到的網(wǎng)格細(xì)胞模式。”Edvard Moser 進(jìn)一步表示，“當(dāng)然這也是一個令人欣喜的結(jié)果，至少說明了哺乳動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)航的通用計算機(jī)準(zhǔn)則。”來自德國慕尼黑大學(xué)的計算機(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)，對神經(jīng)科學(xué)理論假設(shè)的一次測試，即大腦能通過網(wǎng)格神經(jīng)來整合自身速度、方向等身體動作先關(guān)信息，從而實(shí)現(xiàn)在環(huán)境中的定位。

首先，作者通過模擬虛擬的大鼠在其所在地附近覓食的移動路徑，再加上模擬嚙齒類動物活動區(qū)域與其頭向細(xì)胞活動，以此生成數(shù)據(jù)來訓(xùn)練算法。但這還不是所謂的網(wǎng)格細(xì)胞的活動，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)，在計算單元中出現(xiàn)了網(wǎng)格狀活動的六角形模式，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，在研究啟動時，的確期待看到這些網(wǎng)格活動的出現(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)格活動的出現(xiàn)，他清楚知道網(wǎng)格活動呈現(xiàn)出的規(guī)律性。

而科學(xué)家緊接著對于調(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)境更加類似，進(jìn)而刺激網(wǎng)格活動的出現(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，但確始終無從著手進(jìn)行測試。

但這樣的測試如今卻可通過 AI 進(jìn)行，研究人員通過測試系統(tǒng)，測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的虛擬大鼠放在一個設(shè)計成迷宮的模型中，訓(xùn)練這只虛擬大鼠學(xué)會走向特定的目標(biāo)，而研究者在整個實(shí)驗(yàn)系統(tǒng)中添加了學(xué)習(xí)所需要的記憶與獎勵機(jī)制，經(jīng)營這個程序的設(shè)計添加，模擬大鼠通過反復(fù)試驗(yàn)很快就找到該去的位置，而且逐漸變得熟門熟路，與同樣嘗試進(jìn)行相同測試的人類科學(xué)家相比，這些模擬大鼠的表現(xiàn)甚至于遠(yuǎn)遠(yuǎn)超過人類。

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)移動時，一些網(wǎng)格單元活躍，并計算到達(dá)目的地的最短路徑。

而且值得注意的是，在過程中研究人員也發(fā)現(xiàn)，如果刻意干擾阻止網(wǎng)格細(xì)胞的形成，模擬大鼠就無法在迷宮中行走達(dá)任務(wù)。同時 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、同時也是此一論文的共同作者 Andrea Banino 表示，“盡管 DeepMind 通過與神經(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，從更宏觀的角度來看，這個網(wǎng)絡(luò)是從非常一般性的計算假設(shè)開始，這個假設(shè)沒有考慮到特定的生物學(xué)機(jī)制，而是找到了一個類似于大腦的路徑集成的解決方案。這表明網(wǎng)格單元的活動模式有一些特殊的東西來支持的。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 將會成為測試許多大腦研究問題假設(shè)的有用工具，但卻也都認(rèn)為，AI 無法回答更多關(guān)于大腦如何或?yàn)楹芜\(yùn)作的問題。但 Moser 認(rèn)為，這篇論文的出現(xiàn)還是讓人興奮的，而且并不會對神經(jīng)科學(xué)家的工作造成威脅，因?yàn)檫@篇論文開啟了一個重要的方向，也就是 AI 將有機(jī)會加速對大腦導(dǎo)航的研究。