美東時(shí)間5月9日，Nature在線發(fā)表英國(guó)Deep Mind團(tuán)隊(duì)，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(xué)和人工智能領(lǐng)域都引起轟動(dòng)。

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

論文研究的是看似簡(jiǎn)單卻又無比深?yuàn)W的問題：我們?cè)谀睦铮瑢⑾蚝翁幦ィ窟@個(gè)非常哲學(xué)的命題，200多年前的大哲學(xué)家康德就已經(jīng)思考過。他認(rèn)為人對(duì)空間的認(rèn)知是先驗(yàn)的。對(duì)這個(gè)問題的生物學(xué)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(xì)胞（Grid Cell）。網(wǎng)格細(xì)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(xué)獎(jiǎng)。

雖然動(dòng)物在自然空間游刃有余，但其認(rèn)知和計(jì)算基礎(chǔ)，卻并不明了。而對(duì)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(dāng)AI自己發(fā)現(xiàn)了類似生物網(wǎng)格細(xì)胞的模式，一切都變得不同。網(wǎng)格細(xì)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(xué)神經(jīng)學(xué)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(píng)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(xì)胞

對(duì)位置的感知和在空間的巡航能力，對(duì)于生命而言，無疑是至關(guān)重要的。上世紀(jì)六十年代末，UCL神經(jīng)生理學(xué)家John O’Keefe開始研究這個(gè)問題，并在1971年發(fā)現(xiàn)位置細(xì)胞（Place Cell），大腦定位系統(tǒng)的第一個(gè)元件。O’Keefe發(fā)現(xiàn)當(dāng)實(shí)驗(yàn)大鼠處于特定位置時(shí)，其大腦海馬體內(nèi)的一類神經(jīng)細(xì)胞會(huì)被激活。這回答了“我在哪里”這樣一個(gè)問題，O’Keefe也因此與Moser夫婦分享了2014年諾貝爾生理學(xué)獎(jiǎng)。需要指出，位置細(xì)胞只是標(biāo)記在空間中不同位置的感知體驗(yàn)，并被海馬體持久記憶。但位置細(xì)胞并不是坐標(biāo)，也不具備幾何計(jì)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(xì)胞。他們記錄大鼠運(yùn)動(dòng)時(shí)特定神經(jīng)細(xì)胞被相應(yīng)激活的規(guī)律，發(fā)現(xiàn)如上的圖像，其中黑線是運(yùn)動(dòng)軌跡，而紅點(diǎn)則是在該位置相應(yīng)細(xì)胞被激活的記錄。統(tǒng)計(jì)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(xué)家、數(shù)學(xué)家、物理學(xué)家、還是哲學(xué)家，都不得贊嘆這樣的神奇和優(yōu)雅！

網(wǎng)格細(xì)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(gè)頂點(diǎn)的距離定位，并可以將自己的運(yùn)動(dòng)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(jìn)化，才發(fā)展出如此簡(jiǎn)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(duì)空間的認(rèn)知和巡航能力，卻仍然遠(yuǎn)遜于生物。而另一方面，雖然人們猜測(cè)網(wǎng)格細(xì)胞支撐著生物的矢量巡航，即計(jì)算通向目標(biāo)的距離和方向，但人們?cè)诎l(fā)現(xiàn)網(wǎng)格細(xì)胞十余年后，對(duì)其計(jì)算功能以及和矢量巡航的關(guān)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(gè)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(xiàng)工作中，研究人員首先訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)基于運(yùn)動(dòng)速度信息在虛擬環(huán)境中定位。這與哺乳動(dòng)物在不熟悉環(huán)境中運(yùn)動(dòng)定位所用到的信息非常類似。令人震驚的是，類似網(wǎng)格細(xì)胞的模式，研究人員稱之為網(wǎng)格單元，在神經(jīng)網(wǎng)絡(luò)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(jìn)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(luò)，經(jīng)深度增強(qiáng)訓(xùn)練后，能夠像動(dòng)物一樣尋找捷徑，并具有超人類的巡航能力，在虛擬現(xiàn)實(shí)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(jì)算誤差都增大，證明網(wǎng)格模式對(duì)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(xì)胞計(jì)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(jī)器學(xué)習(xí)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(guó)帝國(guó)理工學(xué)院劉芳德博士稱，位置細(xì)胞和網(wǎng)格細(xì)胞的研究對(duì)人工智能特別是機(jī)器人系統(tǒng)啟發(fā)很大。位置細(xì)胞其實(shí)是空間索引的數(shù)據(jù)庫(kù)，描述的是拓?fù)淇臻g；而網(wǎng)格細(xì)胞是幾何計(jì)算器，描術(shù)的是歐氏空間。這種組織跟我們目前計(jì)算機(jī)科學(xué)中的技術(shù)完全不同，并有非常強(qiáng)的優(yōu)勢(shì)。

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

的確，F(xiàn)rancesco Savelli 和 JamesJ. Knierim在新聞評(píng)述中強(qiáng)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(duì)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(jìn)行科學(xué)研究的時(shí)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(diǎn)了？您覺得呢，不妨留言與大伙分享。