網(wǎng)格單元在哺乳動物的導航中的重要性

深度學習可以無需人類幫助擊敗世界上任何一位圍棋選手，還能在幾秒鐘識別人臉，但是直到現(xiàn)在，深度學習算法都無法做到一項看似簡單的事情：空間感知。

大多數(shù)動物，包括人類，都能在生活的環(huán)境中靈活地導航，比如探索新領域、快速返回之前的地方或者抄近路。繞過障礙物、記住某個商店、在哪個路口轉(zhuǎn)彎……這些能力對人類來說都非常自然、簡單，以至于我們根本不會意識到完成這一過程有多復雜。相反，空間導航是智能體面臨的一重要挑戰(zhàn)，在這方面它們與動物還相差甚遠。

當大腦思考自己所在的位置時，會動用許多細胞。例如位置細胞（place cells），當生物體到達一個特定位置后會激發(fā)這一細胞。再例如動物頭部的朝向會激發(fā)“head-directioin cells”。

除此之外，空間導航中另一個重要神經(jīng)元就是網(wǎng)格細胞（grid cell，也稱“網(wǎng)格單元”），這類神經(jīng)元處于大腦中負責空間學習、空間記憶和通用常識的區(qū)域。2005年，研究人員發(fā)現(xiàn)，與其他神經(jīng)元不同，網(wǎng)格神經(jīng)元的形狀是非常完美的六邊形，當動物在環(huán)境中來回走動時，該神經(jīng)元被激發(fā)，跟蹤并記錄物體移動的軌跡。六邊形組成的網(wǎng)格中的點，被認為能夠支持空間導航，類似于地圖上的經(jīng)緯線。另外，這些神經(jīng)元在不斷更新。當動物進入了一個全新環(huán)境，會重新激活一個相同的網(wǎng)格，適應新的環(huán)境。動物除了有內(nèi)部的坐標系外，最近研究人員假設，它們的神經(jīng)元（也稱為網(wǎng)格單元）也可以支持基于向量的導航。也就是說，讓大腦計算到目的地的方向和距離，就像“烏鴉飛行”一樣，這可以讓動物在陌生環(huán)境中找到自己合適的路線。

2014年，首次發(fā)現(xiàn)網(wǎng)格細胞的團隊獲得了諾貝了生理或醫(yī)學獎，為了表彰他們對空間認知表示的貢獻。但是雖然距離網(wǎng)格細胞的發(fā)現(xiàn)已經(jīng)過去了十多年，網(wǎng)格細胞的計算功能，以及他們?nèi)绾沃С只谙蛄康膶Ш?，仍然不甚明朗?/p>

而現(xiàn)在，打敗世界最出色的圍棋選手的AI背后的大腦正變得不再神秘，DeepMind的發(fā)現(xiàn)能幫助我們想答案邁進一步。

DeepMind的科研專家Andrea Banino說：“我們所想、所記、所感的一切都以某種方式編碼在大腦中。為了理解這一點，我們必須學習如何研究神經(jīng)元，如何測量它們的活動，以及將這些活動與我們的行為聯(lián)系在一起。然而，這在真實的大腦上是很難實現(xiàn)的。”

而DeepMind做到了，不過不是在真的大腦上做實驗，而是利用神經(jīng)網(wǎng)絡和受大腦神經(jīng)元啟發(fā)構(gòu)建的算法，來解釋了這一問題。在DeepMind最近發(fā)表在Nature的論文中，他們開發(fā)了一個智能體，用于測試網(wǎng)格細胞支持基于向量的導航的理論，“這與我們的重要理念相符合，即用于AI的算法與大腦中的元素十分相似，”研究人員表示。

第一步，DeepMind訓練了一個循環(huán)網(wǎng)絡（RNN），讓其利用與動作相關(guān)的主要的速度信號，在一個虛擬環(huán)境中對自己定位。這種能力通常出現(xiàn)在哺乳動物走到一個陌生環(huán)境中或不容易發(fā)現(xiàn)明顯地標的情況下才會出現(xiàn)（例如在黑暗中導航）。

他們發(fā)現(xiàn)，網(wǎng)格狀的表示（下文稱“網(wǎng)格單元”表示）會在網(wǎng)絡中自發(fā)生成，這與正在覓食的哺乳動物中所觀察到的神經(jīng)活動模式十分相似，并且符合網(wǎng)格細胞為空間提供有效代碼的觀點。

在他們的實驗中，智能體生成了網(wǎng)格狀的表示：網(wǎng)格單元，它與哺乳動物覓食時的生物網(wǎng)格細胞非常像

接下來，研究人員測試了網(wǎng)格單元是否能夠通過創(chuàng)造智能體來支持基于向量的導航的理論。他們把該智能體看作虛擬的小鼠。通過將初始的“網(wǎng)格網(wǎng)絡”和更大的網(wǎng)絡架構(gòu)結(jié)合，形成了一個可以用深度強化學習訓練的智能體，而它的目標是在虛擬現(xiàn)實的游戲環(huán)境中進行導航。研究人員發(fā)現(xiàn)，當它開始尋找自己的位置時，網(wǎng)格狀的形狀在網(wǎng)絡中開始形成。某些節(jié)點比其他節(jié)點用的更頻繁，這與真實動物在尋找方向是生成的網(wǎng)格單元形狀非常相似。

該智能體的表現(xiàn)超越了人類，比職業(yè)游戲玩家還要出色，并且展示了動物身上才有的靈活導航行為，能夠在必要時刻開辟新的路徑，甚至“抄近道”。

通過一系列實驗，我們證明了網(wǎng)格狀的表示對基于向量的導航十分重要。例如，當網(wǎng)絡中的網(wǎng)格單元消失，智能體導航的功能也就減弱了，同時關(guān)鍵指標（到目標的距離和方向）也變得不準確了。

用網(wǎng)格單元進行向量導航的演示。底部圓點代表三種不同尺寸的網(wǎng)格單元。當智能體移動時，網(wǎng)格單元就會被激活，代表這當前的網(wǎng)格代碼，從而發(fā)生變化，反應智能體進入了不同的領域。網(wǎng)格單元用于計算到達目標的最短距離

DeepMind的CEO，Demis Hassabis表示：“人類大腦是唯一能證明我們是能夠創(chuàng)造強人工智能的證據(jù)，所以將神經(jīng)科學看成是算法新的靈感是完全可行的。但是我們認為這種靈感應該是雙向的，既能對人工智能有所啟發(fā)，也能對神經(jīng)科學界未解決的問題提供幫助。這項工作就是很好的證明：通過創(chuàng)建一個能在復雜環(huán)境中導航的智能體，我們證明了網(wǎng)格單元在哺乳動物的導航中的重要性，并加深了對它的理解?！?/p>

研究團隊認為，這項研究對于了解大腦中的網(wǎng)格單元的基本計算目的是很重要的，同時也表明它們對智能體的幫助也是很大的。實驗的結(jié)果為網(wǎng)格單元能提供一個歐幾里得空間框架的理論提供了支持，這一概念支持了基于向量的導航。

更廣泛地講，這項研究重新確認了大腦所用的算法能為機器學習架構(gòu)提供參考。此前神經(jīng)科學對網(wǎng)格單元的研究讓智能體的可解釋性變得更加容易，這本身就是人工智能研究中的主要話題，當他們試著想要理解它的內(nèi)部表示，先前的研究可以給與參考。這項工作同樣展示了利用智能體在虛擬復雜環(huán)境中的行為驗證大腦如何工作的潛力。

長遠來看，這樣類似的方法還能用來檢測大腦的某一區(qū)域，例如負責捕捉聲音或控制肢體的地方。未來，這類網(wǎng)絡也許能像科學家提供不一樣的試驗方法，或者提出新的理論，甚至完成目前只能在小動物身上做的實驗。