AI的定位和導(dǎo)航類似于大腦的位置細(xì)胞和網(wǎng)格細(xì)胞

近日，DeepMind 在 Nature 上發(fā)表的一篇論文引起 AI 領(lǐng)域和神經(jīng)科學(xué)領(lǐng)域的極大震撼：AI 展現(xiàn)出與人腦 “網(wǎng)格細(xì)胞” 高度一致的空間導(dǎo)航能力。甚至有些學(xué)者認(rèn)為，憑著這篇論文，DeepMind 的作者有可能問(wèn)鼎諾貝爾獎(jiǎng)。本文作者鄧侃博士對(duì)這篇突破性的論文進(jìn)行了解讀。

Google 麾下的 DeepMind 公司，不僅會(huì)下圍棋，而且寫的論文也頂呱呱。

2018/5/10，今天的微信朋友圈，被DeepMind 一篇論文刷屏了。論文發(fā)表在最近一期 Nature 雜志上，題目是Vector-based navigation using grid-like representations in artificial agents [1]。

有些學(xué)者認(rèn)為，憑著這篇論文，DeepMind 的作者有可能問(wèn)鼎諾貝爾獎(jiǎng)[2]。

重要意義：AI的定位和導(dǎo)航類似于大腦的位置細(xì)胞和網(wǎng)格細(xì)胞

其實(shí)這篇論文是DeepMind 人工智能團(tuán)隊(duì)，與 University College of London（UCL） 的生物學(xué)家，合作的產(chǎn)物。

對(duì)空間的定位和導(dǎo)航能力，是生物的本能。早在 1971 年，UCL 的生理學(xué)教授 John O'Keefe 在大腦海馬體中，發(fā)現(xiàn)了位置細(xì)胞（Place Cell）。隨后 O'Keefe 的學(xué)生，Moser 夫婦于 2005 年發(fā)現(xiàn)，在大腦內(nèi)嗅皮層，存在一種更為神奇的神經(jīng)元，網(wǎng)格細(xì)胞（Grid Cell）。在運(yùn)動(dòng)過(guò)程中，生物的網(wǎng)格細(xì)胞，把空間分割為蜂窩那樣的六邊形，并且把運(yùn)動(dòng)軌跡記錄在蜂窩狀的網(wǎng)格上。

2014 年的諾貝爾生理學(xué)/醫(yī)學(xué)獎(jiǎng)，頒發(fā)給了John O'Keefe 和Moser 夫婦。

人工智能深度學(xué)習(xí)模型，經(jīng)常被詬病的一大軟肋，是缺乏生理學(xué)理論基礎(chǔ)。深度學(xué)習(xí)模型中的隱節(jié)點(diǎn)的物理意義，也無(wú)法解釋。

DeepMind 和 UCL 合著的 Nature 論文，發(fā)現(xiàn)深度學(xué)習(xí)模型中隱節(jié)點(diǎn)，與腦內(nèi)的位置細(xì)胞和網(wǎng)格細(xì)胞，這兩者的激活機(jī)制和數(shù)值分布，非常相似，幾乎呈一一對(duì)應(yīng)的關(guān)系。

Extended Data Fig 3.d：第一行，深度學(xué)習(xí)模型的隱節(jié)點(diǎn)的激活機(jī)制和數(shù)值分布。第二行，Moser 夫婦發(fā)現(xiàn)的網(wǎng)格細(xì)胞的蜂窩狀數(shù)值分布。深度學(xué)習(xí)隱節(jié)點(diǎn)與網(wǎng)格細(xì)胞的數(shù)值分布，極為相似。第三行，數(shù)值分布所揭示的空間定位及運(yùn)動(dòng)方向。

這篇論文，之所以引起學(xué)界轟動(dòng)，原因在于證明了，把深度學(xué)習(xí)模型用于空間的定位和導(dǎo)航，其隱節(jié)點(diǎn)的物理意義，類似于大腦的位置細(xì)胞和網(wǎng)格細(xì)胞。進(jìn)一步猜想，深度學(xué)習(xí)模型的定位和導(dǎo)航的計(jì)算過(guò)程，很可能與大腦的定位和導(dǎo)航的生理機(jī)制，也極為相似。

為什么DeepMind 熱衷于玩游戲？

面向空間定位和導(dǎo)航的深度學(xué)習(xí)模型，有哪些應(yīng)用場(chǎng)景呢？DeepMind 把這個(gè)技術(shù)用于玩電子游戲，類似于 “反恐精英”（Counter Strike）那樣的走迷宮射殺***的游戲。

DeepMind 下完圍棋以后，玩初級(jí)電子游戲，現(xiàn)在升級(jí)了，改玩高級(jí)游戲了。為什么DeepMind 那么熱衷于游戲呢？

游戲是仿真系統(tǒng)，一切盡在掌控之中，想要什么數(shù)據(jù)，就能獲取什么數(shù)據(jù)。所以，每條數(shù)據(jù)，都很全面，不會(huì)有數(shù)據(jù)丟失。

同時(shí)，只要多雇一些玩家，多花一點(diǎn)時(shí)間，要多少訓(xùn)練數(shù)據(jù)，就有多少訓(xùn)練數(shù)據(jù)。

用游戲來(lái)驗(yàn)證深度學(xué)習(xí)模型，非常方便。這是 DeepMind 熱衷于玩游戲的原因。同時(shí)，因?yàn)槟軌蚩焖俚孬@取數(shù)據(jù)，DeepMind 對(duì)于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)研究，領(lǐng)先世界。

Figure 3. DeepMind 把基于深度學(xué)習(xí)的空間定位和導(dǎo)航技術(shù)，應(yīng)用于反恐精英（Counter Strike）游戲。

問(wèn)題是，把適用于游戲的深度學(xué)習(xí)模型，移用到真實(shí)世界，解決實(shí)際問(wèn)題，是否仍然有效？

同是 Google 麾下兄弟，Google Brain 更注重解決實(shí)際問(wèn)題，兄弟倆各有千秋。Google Brain 開(kāi)發(fā)的 Tensorflow成為工程利器，而 DeepMind 的論文，提供新方法，引領(lǐng)研究前沿。

深度學(xué)習(xí)仿真位置和網(wǎng)格細(xì)胞的論文，技術(shù)上有什么創(chuàng)新？

短的答案，沒(méi)有獨(dú)特的創(chuàng)新。

長(zhǎng)的答案，得先講講馬爾科夫和強(qiáng)化學(xué)習(xí)。

強(qiáng)化學(xué)習(xí)（Reinforcement Learning）是機(jī)器學(xué)習(xí)的一個(gè)重要分支，它試圖解決決策優(yōu)化的問(wèn)題。所謂決策優(yōu)化，是指面對(duì)特定狀態(tài)（State，S），采取什么行動(dòng)方案（Action，A），才能使收益最大（Reward，R）。很多問(wèn)題都與決策優(yōu)化有關(guān)，從下棋，到投資，到課程安排，到駕車，到走迷宮等等。

AlphaGo 的核心算法，就是強(qiáng)化學(xué)習(xí)。AlphaGo不僅穩(wěn)超勝券地戰(zhàn)勝了當(dāng)今世界所有人類高手，而且甚至不需要學(xué)習(xí)人類棋手的棋譜，完全靠自己摸索，在短短幾天內(nèi)，發(fā)現(xiàn)并超越了一千多年來(lái)人類積累的全部圍棋戰(zhàn)略戰(zhàn)術(shù)。

最簡(jiǎn)單的強(qiáng)化學(xué)習(xí)的數(shù)學(xué)模型，是馬爾科夫決策過(guò)程（Markov Decision Process，MDP）。之所以說(shuō) MDP 是一個(gè)簡(jiǎn)單的模型，是因?yàn)樗鼘?duì)問(wèn)題做了很多限制。

1. 面對(duì)的狀態(tài) s_{t}，數(shù)量 t = 1... T，T 是有限的。

2. 采取的行動(dòng)方案 a_{t}，數(shù)量t = 1... T，T也是有限的。

3.對(duì)應(yīng)于特定狀態(tài) s_{t}，當(dāng)下的收益 r_{t} 是明確的。

4. 在某一個(gè)時(shí)刻 t，采取了行動(dòng)方案 a_{t}，狀態(tài)從當(dāng)前的 s_{t} 轉(zhuǎn)換成下一個(gè)狀態(tài) s_{t+1}。下一個(gè)狀態(tài)s_{t+1}有多種可能，從當(dāng)前狀態(tài) s_{t}轉(zhuǎn)換到下一個(gè)狀態(tài)中的某一種狀態(tài)的概率，稱為轉(zhuǎn)換概率。但是轉(zhuǎn)換概率，只依賴于當(dāng)前狀態(tài) s_{t}，而與先前的狀態(tài)，s_{t-1}, s_{t-2} ... 無(wú)關(guān)。

解決馬爾科夫決策過(guò)程問(wèn)題的常用的算法，是動(dòng)態(tài)規(guī)劃（Dynamic Programming）。

對(duì)馬爾科夫決策過(guò)程的各項(xiàng)限制，不斷放松，研究相應(yīng)的算法，是強(qiáng)化學(xué)習(xí)的目標(biāo)。

例如對(duì)狀態(tài) s_{t}放松限制，

1. 假如狀態(tài) s_{t} 的數(shù)量t = 1... T，T雖然有限，但是數(shù)量巨大，或者有數(shù)量無(wú)限，如何改進(jìn)算法？

2.假如狀態(tài) s_{t} 不能完全確定，只能被部分觀察到，剩余部分被遮擋或缺失，如何改進(jìn)算法？

3. 假如轉(zhuǎn)換概率，不僅依賴于當(dāng)前狀態(tài)，而且依賴于先前的運(yùn)動(dòng)軌跡，如何改進(jìn)算法？

4. 假如遇到先前沒(méi)有遇見(jiàn)過(guò)的新?tīng)顟B(tài)s_{t}，有沒(méi)有可能在以往遇見(jiàn)過(guò)的狀態(tài)中，找到相似狀態(tài)，從而估算轉(zhuǎn)換概率，估算收益？

Extended Data Fig 5. 用GridLSTM 來(lái)總結(jié)以往的運(yùn)動(dòng)軌跡，并加上神經(jīng)網(wǎng)絡(luò) g 來(lái)判別當(dāng)前的空間定位和運(yùn)動(dòng)方向。然后基于對(duì)當(dāng)前的空間定位和導(dǎo)航的判斷，用另一個(gè) LSTM 來(lái)估算狀態(tài)轉(zhuǎn)換概率，從而決定導(dǎo)航策略。

這篇論文用深度學(xué)習(xí)模型，來(lái)仿真位置和網(wǎng)格細(xì)胞。具體來(lái)說(shuō)，

1.用 CNN 來(lái)處理圖像，找到周邊環(huán)境中的標(biāo)志物，用于識(shí)別當(dāng)前的空間位置。

2. 把圖像處理的結(jié)果，與以往的運(yùn)動(dòng)軌跡相結(jié)合，用GridLSTM 來(lái)估算當(dāng)前的狀態(tài)。

3. 把GridLSTM 估算出的當(dāng)前狀態(tài)，經(jīng)過(guò)一個(gè)神經(jīng)網(wǎng)絡(luò) g 的再加工，得到類似于位置細(xì)胞和網(wǎng)格細(xì)胞的隱節(jié)點(diǎn)。

4. 把當(dāng)前的位置和運(yùn)動(dòng)方向，以及目標(biāo)的位置，作為第二個(gè) LSTM 模型的輸入，確定導(dǎo)航?jīng)Q策。

上述所有模塊，都是現(xiàn)成技術(shù)的集成，并無(wú)顯著創(chuàng)新。