人工智能可以提高生產力，但殊不知，科學家們已經開始使用 AI 技術來來重現大腦的高級認知功能！這次，他們創造了一套復雜神經網絡來模擬大腦的空間導航能力。這一成果向世人展示了 AI 算法能很好的幫助神經科學家們來驗證他們關于大腦運作方式的各種理論，當然，這種基于計算機的強大驗證工具暫時還不至于讓傳統神經科學家們失業。

美國當地時間 5 月 9 日，英國 Deep Mind 團隊與 University College London（UCL）在《Nature》上發表了一篇論文，震動了學界。這篇論文標題為 Vector-based navigation using grid-like representations in artificial agents，在這項研究中，研究團隊通過深度學習方法，來訓練計算機模擬大鼠在虛擬環境下追蹤自己的位置。

論文鏈接：http://t.cn/R32YrKS

哺乳動物大腦中有一種用于導航的細胞稱為網格細胞（grid cell），這些細胞在哺乳動物記錄自己在空間中的位置時會被激活，細胞活動在去噪后會呈現一種六邊形的排列模式。令科學家們大感意外的是，倫敦大學學院和 DeepMind 聯合開發的 AI 模擬系統能自動生成與大腦細胞活動非常相似的六邊形模式，并可指導虛擬大鼠走捷徑。

圖丨研究人員使用AI得到的“網格單元”與哺乳動物覓食狀態下的“網格細胞”在模式上高度相似

更令人驚訝的是，計算機模擬大鼠可以通過類網格細胞編碼在虛擬迷宮中很好的導航，甚至能找到走出迷宮的捷徑！

“這篇論文非常令人意外，簡直是震撼！”來自挪威的神經科學家 Edvard Moser 如此評價。Edvard Moser 夫婦曾因共同發現了網格細胞及大腦內其他導航神經，而榮獲 2014 年諾貝爾生理學或醫學獎。

圖丨2014 年的諾貝爾生理學或醫學獎得主梅·布萊特·莫索爾和愛德華·莫索爾夫婦

“這一成果是令人震驚的，因為來自完全不同維度的計算機模型，居然能重現我們在生物學中觀察到的網格細胞模式。”Edvard Moser 進一步表示，“當然這也是一個令人欣喜的結果，至少說明了哺乳動物大腦在空間解碼方面已經生成了一種最佳方式。”

“如果能深入分析這一深度學習系統的內部工作方式應該是一件很有趣的事情，我們想知道研究團隊是否發現了一種可以用空間導航的通用計算機準則。”來自德國慕尼黑大學的計算機神經科學家 Andreas Herz 表示。

深度學習與老鼠

本次發表的研究成果是基于深度學習神經網絡，對神經科學理論假設的一次測試，即大腦能通過網格神經來整合自身速度、方向等身體動作先關信息，從而實現在環境中的定位。

首先，作者通過模擬虛擬的大鼠在其所在地附近覓食的移動路徑，再加上模擬嚙齒類動物活動區域與其頭向細胞活動，以此生成數據來訓練算法。但這還不是所謂的網格細胞的活動，科學家使用這些生產的數據進一步訓練深度網絡學習網絡模型，進而識別感知虛擬大鼠所在的位置，而科學家在此中發現，在計算單元中出現了網格狀活動的六角形模式，與實驗室中真實大鼠大腦里的狀況一樣。

此一研究的共同作者倫敦大學的神經科學家 Caswell Barry 表示，在研究啟動時，的確期待看到這些網格活動的出現，但當實際親眼目睹，卻還是十分讓人驚訝。在 Caswell Barry 長年的神經科學研究歷程中，曾經多次看到網格活動的出現，他清楚知道網格活動呈現出的規律性。

而科學家緊接著對于調整系統進而增加一些人為的噪音干擾感到興趣，科學家希望借此讓神經網絡單元也與實際大腦環境更加類似，進而刺激網格活動的出現。Herz 表示，這是所有理論神經科學家一直都在思考研究的題目，但確始終無從著手進行測試。

但這樣的測試如今卻可通過 AI 進行，研究人員通過測試系統，測試虛擬大鼠可否利用此一系統進行導航定位。研究人員將用以模擬此一活動的虛擬大鼠放在一個設計成迷宮的模型中，訓練這只虛擬大鼠學會走向特定的目標，而研究者在整個實驗系統中添加了學習所需要的記憶與獎勵機制，經營這個程序的設計添加，模擬大鼠通過反復試驗很快就找到該去的位置，而且逐漸變得熟門熟路，與同樣嘗試進行相同測試的人類科學家相比，這些模擬大鼠的表現甚至于遠遠超過人類。

圖丨網格單元導航能力演示。圓形代表網格單元的數量多少，著色則表示網格單元活躍。AI目標移動時，一些網格單元活躍，并計算到達目的地的最短路徑。

而且值得注意的是，在過程中研究人員也發現，如果刻意干擾阻止網格細胞的形成，模擬大鼠就無法在迷宮中行走達任務。同時 Barry 表示，在實驗室中真實大鼠身上關閉網格細胞并不可能做到。

而 DeepMind 研究人員、同時也是此一論文的共同作者 Andrea Banino 表示，“盡管 DeepMind 通過與神經科學家合作，激發出全新的人工智能研究突破，但到目前為止，這仍然停留在純粹 AI 算法的基礎研究階段，并不是真正可以導入應用的研究結果。”

有趣的是，從更宏觀的角度來看，這個網絡是從非常一般性的計算假設開始，這個假設沒有考慮到特定的生物學機制，而是找到了一個類似于大腦的路徑集成的解決方案。這表明網格單元的活動模式有一些特殊的東西來支持的。然而，深度學習系統的黑盒（black-box）特征意味著很難確定那是什么東西。

不可否認的是，許多研究人員同意 AI 將會成為測試許多大腦研究問題假設的有用工具，但卻也都認為，AI 無法回答更多關于大腦如何或為何運作的問題。但 Moser 認為，這篇論文的出現還是讓人興奮的，而且并不會對神經科學家的工作造成威脅，因為這篇論文開啟了一個重要的方向，也就是 AI 將有機會加速對大腦導航的研究。