DeepMind又发大招：像哺乳动物一样走捷径的AI

原文以AI recreates activity patterns that brain cells use in navigation为标题

发布在2018年5月9日的《自然》新闻上

原文作者：Alison Abbott

深度学习算法自发模拟了寻路神经元的活动模式。

大鼠利用大脑中的网格细胞帮助寻路，而人工智能已能完全再现这一能力。

图片来源：Al Fenn/LIFE Coll./Getty

研究人员已经能够通过人工智能（AI）再现动物大脑用于空间寻路的复杂神经密码。这一成果表明AI算法能够辅助传统神经科学研究来验证大脑运作的多种假设理论。但科研人员也指出，目前AI尚无法取代神经科学家。

这一寻路AI程序的详细情况发表在5月9日的《自然》杂志上。该程序是由伦敦大学学院的神经系统科学家和谷歌旗下Deepmind公司伦敦办公室的AI研究人员共同开发的，它采用深度学习技术训练计算机模拟大鼠在虚拟环境中进行定位。深度学习是一种基于动物大脑结构开发的AI技术。

让研究人员意外的是这一程序自发产生了六边形活动模式，这与哺乳动物大脑中的寻路细胞，也就是网格细胞的活动方式一致。现实动物实验显示网格细胞对大鼠进行空间定位具有重要作用。

此外，计算机模拟大鼠能够熟练运用这种类似网格细胞的活动模式穿过迷宫，有时甚至能找到捷径。

“这个研究的结果完全出乎意料，就好像一个重磅炸弹，让人非常激动。”挪威卡维利系统神经科学研究所的神经科学家Edvard Moser说。他与John O'Keefe和May Britt Moser共同获得了2014年的诺贝尔生理学或医学奖，因为他们发现了网格细胞以及其它寻路相关神经元，如位置细胞、头部方向细胞等，这些细胞大都分布在海马区附近。

“完全人工设计的计算机模型最后竟然能够模拟出自然生物学中的网格模式，这一点让人非常吃惊。”Moser说，这一结果也证明哺乳动物的大脑至少在选取寻路模式时的确找到了最优的方式。

“进一步分析深度学习系统的运作机制，明确研究人员是否发现了空间寻路的普遍计算原理，将是非常有趣的研究。”慕尼黑大学计算神经科学家Andreas Herz说。

深度学习虚拟大鼠

深度学习网络是由多个相互连通的递归计算单元构成的网络。这篇论文的作者利用深度学习网络来验证以下的假设：动物大脑通过网格细胞整合个体移动的速度和方向，从而判定个体在空间中的位置。

首先，研究人员采集数据训练算法，他们记录了虚拟大鼠在围栏内觅食时所采取的路径，以及虚拟大鼠在移动时位置细胞和头部方向细胞的活动，但他们并未记录网格细胞的活动。随后他们利用收集到的数据对深度学习网络进行训练以构建位置判断模型，随着研究的推进，研究人员发现计算单元自发产生了类似网格细胞的六边形活动模式，这一模式与他们在动物实验里发现的几乎一样。

“我们的确曾经预期到可能会看到网格，但没有想到是在这样的情况下。”伦敦大学学院的神经科学家Caswell Barry说，他也参与了这项研究。“我在实验中曾多次看到过网格，它们有着一种规律排列的美感。”

向系统中加入干扰会让计算单元的运作更接近实际的大脑神经元。研究人员发现只有对网络系统做出类似微调的时候，类似网格细胞的活动才会出现。

接着研究人员进一步检测虚拟大鼠可否利用该学习网络寻路。他们将虚拟大鼠放在一个更大的迷宫里，要求大鼠能够学习到达特定的目的地。研究人员在原系统的基础上，还加入了另一个记忆奖赏体系，这对学习过程是必须的。通过反复探索和实验，虚拟大鼠不仅能准确地到达目的地，还能找到捷径，表现甚至超过执行相同任务的人类专家。

研究人员发现，如果有意阻断网格模式的形成，虚拟大鼠就无法在迷宫中准确找到方向。“去除网格细胞功能在动物实验中是无法实现的。”Barry说。

Andrea Banino表示这次和神经科学家的合作鼓舞了AI研究。Banino是DeepMind公司的研究人员，也是本研究的参与者之一。他还说：“目前的研究还只是在建立智能算法的基础阶段，远达不到推广应用的水平。”

研究人员认为AI能够辅助检验很多关于大脑运作的假设，但AI无法解释大脑如何以及为何选取了某种特定运作模式。“我读到这篇论文的时候非常激动，看起来AI也许能够帮助我们加速开展关于大脑寻路的研究。”Moser说，“但是就目前来看，AI仍无法取代神经科学家的角色。”ⓝ

Nature|doi: 10.1038/d41586-018-05133-w

点击“阅读原文”阅读英文原文

热门文章

点击图片阅读：还在手工分析数据？其他生物学家已经用上了AI

点击图片阅读：4个AI与神经科技带来的伦理问题

点击图片阅读：如何用大数据解决人工智能带来的失业问题？

版权声明：

本文由施普林格·自然上海办公室负责翻译。中文内容仅供参考，一切内容以英文原版为准。欢迎转发至朋友圈，如需转载，请邮件[e-mail]。未经授权的翻译是侵权行为，版权方将保留追究法律责任的权利。

© 2018 Macmillan Publishers Limited, part of Springer Nature. All Rights Reserved