美東時間5月9日，Nature在線發(fā)表英國Deep Mind團隊，阿法狗和阿法元的開發(fā)者，與University College London（UCL）的一篇合作論文，題為Vector-based navigation using grid-like representations in artificial agents，在神經(jīng)學和人工智能領域都引起轟動。

這篇高度抽象的論文題目背后，隱含的是一個事實，AI已經(jīng)替人搞定了網(wǎng)格細胞，這個大自然經(jīng)過億萬年才進化出的生命杰作。

論文研究的是看似簡單卻又無比深奧的問題：我們在哪里，將向何處去？這個非常哲學的命題，200多年前的大哲學家康德就已經(jīng)思考過。他認為人對空間的認知是先驗的。對這個問題的生物學解讀，2005年才有明確答案，也就是May-Britt Moser和Edvard Moser夫婦發(fā)現(xiàn)的所謂網(wǎng)格細胞（Grid Cell）。網(wǎng)格細胞的行為是如此令人震撼，2014年，Moser夫婦也因此分享了諾貝爾生理學獎。

雖然動物在自然空間游刃有余，但其認知和計算基礎，卻并不明了。而對AI而言，判斷自己的方位，決定行走的路徑，更是一件非常困難的事情，此前沒有好的解決方案，雖然阿法元在圍棋的網(wǎng)格之中，已經(jīng)輕松搞定了人類。可是當AI自己發(fā)現(xiàn)了類似生物網(wǎng)格細胞的模式，一切都變得不同。網(wǎng)格細胞發(fā)現(xiàn)者Edvard Moser說：

This paper came out of the blue, like a shot, and it’s very exciting.It is striking that the computer model, coming from a totally different perspective, ended up with the grid pattern we know from biology.

約翰霍普金斯大學神經(jīng)學家Francesco Savelli 和 James Knierim在同期Nature發(fā)表題為AI mimics brain codes for navigation的新聞評述，贊嘆道

It is interesting that the network, starting from very general computational assumptions that do not take into account specific biological mechanisms, found a solution to path integration that seems similar to the brain’s. That the network converged on such a solution iscompelling evidencethat there is something special about grid cells’ activity patterns that supports path integration.

網(wǎng)格細胞

對位置的感知和在空間的巡航能力，對于生命而言，無疑是至關重要的。上世紀六十年代末，UCL神經(jīng)生理學家John O’Keefe開始研究這個問題，并在1971年發(fā)現(xiàn)位置細胞（Place Cell），大腦定位系統(tǒng)的第一個元件。O’Keefe發(fā)現(xiàn)當實驗大鼠處于特定位置時，其大腦海馬體內(nèi)的一類神經(jīng)細胞會被激活。這回答了“我在哪里”這樣一個問題，O’Keefe也因此與Moser夫婦分享了2014年諾貝爾生理學獎。需要指出，位置細胞只是標記在空間中不同位置的感知體驗，并被海馬體持久記憶。但位置細胞并不是坐標，也不具備幾何計算能力。

2005年，Moser夫婦發(fā)現(xiàn)了大腦內(nèi)嗅皮層更為神奇的網(wǎng)格細胞。他們記錄大鼠運動時特定神經(jīng)細胞被相應激活的規(guī)律，發(fā)現(xiàn)如上的圖像，其中黑線是運動軌跡，而紅點則是在該位置相應細胞被激活的記錄。統(tǒng)計去噪后，模式是這樣的，呈現(xiàn)規(guī)律的六方排列！

這真是大自然的不朽杰作！無論您是生物學家、數(shù)學家、物理學家、還是哲學家，都不得贊嘆這樣的神奇和優(yōu)雅！

網(wǎng)格細胞 信息功能非常豐富，回答了空間智能的核心問題。大鼠在定位過程中將空間分為等邊三角形，根據(jù)到三角形三個頂點的距離定位，并可以將自己的運動軌跡積分畫在地圖上！歐幾里得幾何、矢量代數(shù)和數(shù)值積分原來深嵌在我們的基因里！

人工智能

大自然經(jīng)過億萬年的進化，才發(fā)展出如此簡潔而優(yōu)雅的定位與巡航系統(tǒng)。人工智能雖然能在圍棋盤上輕松戰(zhàn)勝人類，但其對空間的認知和巡航能力，卻仍然遠遜于生物。而另一方面，雖然人們猜測網(wǎng)格細胞支撐著生物的矢量巡航，即計算通向目標的距離和方向，但人們在發(fā)現(xiàn)網(wǎng)格細胞十余年后，對其計算功能以及和矢量巡航的關系，仍然未知。Deep Mind今天這篇論文，在一定程度上回答了這兩個問題。

Deep Mind創(chuàng)始人和CEO，論文共同作者Demis Hassabis稱：

The human brain is the only existence proof we have that the sort of general intelligence we’re trying to build is even possible, so it makes sense to look to neuroscience as a source ofinspirationfor new types of algorithms. But we believe that this inspiration should be atwo-way street, with insights also flowing back from AI research to shed light on open questions in neuroscience.

在這項工作中，研究人員首先訓練循環(huán)神經(jīng)網(wǎng)絡基于運動速度信息在虛擬環(huán)境中定位。這與哺乳動物在不熟悉環(huán)境中運動定位所用到的信息非常類似。令人震驚的是，類似網(wǎng)格細胞的模式，研究人員稱之為網(wǎng)格單元，在神經(jīng)網(wǎng)絡中自然出現(xiàn)，如上圖所示！人工智能的定位方案，與大自然億萬年進化所得到的答案，高度一致！

更神奇的是，研究人員發(fā)現(xiàn)具備網(wǎng)格單元的神經(jīng)網(wǎng)絡，經(jīng)深度增強訓練后，能夠像動物一樣尋找捷徑，并具有超人類的巡航能力，在虛擬現(xiàn)實游戲中輕松超過職業(yè)玩家。而如果將網(wǎng)格單元靜音后，其巡航能力則大打折扣，距離和方向的計算誤差都增大，證明網(wǎng)格模式對矢量巡航的重要性。

研究人員稱這一工作既是理解網(wǎng)格細胞計算功能的重要一步，也是人工智能發(fā)展的重要一步，顯示類腦機器學習構(gòu)架的重要性。而同樣的方法，也可以用于研究生命的其他感知能力。

英國帝國理工學院劉芳德博士稱，位置細胞和網(wǎng)格細胞的研究對人工智能特別是機器人系統(tǒng)啟發(fā)很大。位置細胞其實是空間索引的數(shù)據(jù)庫，描述的是拓撲空間；而網(wǎng)格細胞是幾何計算器，描術的是歐氏空間。這種組織跟我們目前計算機科學中的技術完全不同，并有非常強的優(yōu)勢。

杜克大學陳怡然教授和博士生吳春鵬介紹，論文中提到的兩個細節(jié)值得注意。第一，如果神經(jīng)網(wǎng)絡的損失函數(shù)中不包括正則項，那么神經(jīng)網(wǎng)絡無法表現(xiàn)出網(wǎng)格細胞功能。這一發(fā)現(xiàn)給了我們一個全新的角度去思考正則項的作用。第二，論文指出深度神經(jīng)網(wǎng)絡的“黑盒”特點阻礙了進一步分析網(wǎng)格細胞活動特性對路徑整合的作用。這一點再次印證了當前研究神經(jīng)網(wǎng)絡可解釋性的必要。

的確，F(xiàn)rancesco Savelli 和 JamesJ. Knierim在新聞評述中強調(diào)：

The fact that the grid representation enhanced goal-directed performance is acompelling proof-of-conceptof the role of grid cells in the brain. But the inability to directly manipulate these calculations in the model makes it difficult to examine the computational principles, algorithms and encoding strategies that make grid-cell representations of space such an efficient solution for navigation… Making deep-learning systems more intelligible to human reasoning is an exciting challenge for the future.

對此，論文共同第一及通訊作者Andrea Banino稱

In the future, if we could improve these artificialmodels, we could potentially use them to understand other brainfunctionalities. This would be a giant step toward the future of brainunderstanding.

看來，AI進行科學研究的時代已經(jīng)快要到來，教授和研究生們是不是不用再加班加點了？您覺得呢，不妨留言與大伙分享。