找到从“ A”点到“ B”点最直接的捷径的能力在今天看来并不像是对合理性的令人印象深刻的考验。 然而，根据不久前
发表在《自然》杂志上的一份新报告，研究人员在讨论他们的人工智能导航系统时，探索复杂的模拟空间并找到最短路径的能力使此类系统与人类处于同一水平和其他动物。
达到预期性能的一个出乎意料的关键是，在训练过程中，网络会自发地生长出相当于“网格细胞”的细胞，这种细胞是一组大脑细胞，可以让许多哺乳动物追踪它们在太空中的位置。
对于神经科学家来说，这项工作可能会告诉您了解活脑中的格状神经元如何使您发展导航能力的重要链接。 这项工作还展示了神经网络如何对未来的研究产生重大影响。 伦敦大学学院的尼尔·伯吉斯（Neil Burgess）没有参加这项研究，他建议这样的系统应该“为理解大脑如何以及为什么以这种方式工作提供沃土”。
同时，对于人工智能领域的研究人员而言，这项工作对改进自动导航系统的有用性是显而易见的。 但这可以为理解智能和开发智能系统的一般原理做出更大的贡献。
Deep Nature的研究人员Andrea Banino和伦敦大学学院的Caswell Barry都是《自然》杂志的主要作者。根据该论文，该项目源于他们研究的晶格神经元功能的问题。 晶格神经元因其在许多动物的导航中的重要作用而通常被称为“大脑的GPS”。 Edward Moser和May-Britt Moser因九年前的发现而获得2014年诺贝尔奖。 这些神经元簇以六边形阵列组织，总的结果类似于船舶，飞机和火箭的惯性导航系统-即使在完全黑暗的情况下，它们也可以理解太空中的身体运动。 “相对而言，它们会根据您的移动方式来更新您对位置的预测，” Barry补充说。
因此，神经科学家将晶格神经元归功于“路径整合”的功能-一种不考虑外部信号的潜意识直观导航形式，例如，“向前走5步，向左旋转90度，再向前走15步”。 但是一些实验提供了线索，表明这些神经元甚至还可以完成导航以外的其他功能。 例如，一些实验表明这种神经元参与了诸如测量运动过程中的时间和距离之类的任务。 如Barry所述，如果晶格神经元提供对象和位置的空间参考，则“原则上，您可以使用它们来计算这些点之间的直接路线”，也就是所谓的“矢量导航”。
为了研究这些神经元在导航问题中的作用，研究人员决定使用训练有素的神经网络。 为了了解路径搜索的工作原理，他们首先为在较小的模拟空间中移动的代理创建了一个神经网络。 “我们想了解是否可以创建一个神经网络，以便它本身开始发展出格子神经元的相似性，”巴里说。
神经网络完成了这项工作，据Barry称，“它的工作原理令人惊讶。” 在此过程中，“网格单位”自发出现，与我们在动物大脑中看到的极为相似，一直到六角形网格格式。
这些图像显示了活的和人工的神经元的触发。 在神经网络中自发出现的用于导航任务的晶格模块与大脑中的晶格神经元极为相似，直至达到六边形形状。然后，研究人员将神经网络功能添加到系统中，从而帮助模拟特工在虚拟迷宫中找到通往目标的正确路径。 具有晶格模块的系统比没有晶格模块的系统好一个数量级。 例如，系统可以理解先前封闭的通道是否给目标提供了较短的路径并选择了它。 根据Banino的说法，该技能证明了神经网络中的晶格模块可进行矢量导航，因为它们基于目标的位置发现了更短且更直接的路径。
“我认为，由于这项工作，我们得以证明晶格神经元是如何用于创建最短路径搜索的，” Banino说。 因此，结果证实了理论，即大脑中的晶格神经元能够执行路径整合任务和矢量导航任务。 他补充说，在生物方面，可比的实验证据要困难一个数量级。
在一系列迷宫实验中，所有测试的神经网络都能够达到目标。 但是，如果消除了一个障碍，那么只有具有格状神经元的网络会识别出这一障碍，并选择此路径为最可取的一条。 其他系统继续选择任何可用的路线。“一个有趣的发现是，类似的方法可以用于其他神经科学任务，”巴里说。 例如，研究人员正在思考肢体控制的任务。 可以训练神经网络来控制机械臂，就像大脑控制活动臂一样，然后进行一系列实验，这些实验可以提供有关这些过程如何在生命系统中发生的重要线索。 “这种方法有可能成为神经科学领域的通用工具。”
“这是一个非常令人印象深刻的结果，”加州大学圣地亚哥分校的神经科学教授斯特凡·洛伊特布（Stefan Loytgeb）总结道。 “我认为他们发现了一个很好的论据，支持矢量导航是晶格神经元的功能这一事实。 长期以来，这只是一个假设，但我认为它们尽可能接近解决可能的机制的问题。”
同时，他指出：“任何计算方法都有其局限性。 它可以在模型上工作的事实并不意味着它可以通过这种方式在生物体内工作。”
约翰·霍普金斯大学的神经科学家弗朗切斯科·萨韦利（Francesco Savelli）与本文共同撰写了评论，他的观点与此相似。 他认为非常有趣的是“您以某种方式获得了晶格神经元而无需直接对其进行编程，但是它们仍然显示为自组织。” 但是同时，“由于这不是一个精确的生物系统，因此您无法完全确定它给出的结论。”
他说：“虽然您无法看到这个黑匣子，并使网络更像生物学的黑匣子，但在某些时候，您将遇到神经生物学研究的局限性，”他说。
另一方面，从技术角度来看，令人鼓舞的是：“这些深度学习系统可以解决越来越类似于大脑更高的认知功能的问题，” Savelli补充说。 “这很好地证明了深度学习可以扩展到诸如更高的认知功能之类的任务。”
可以假设DeepMind研究人员将寻求使用该导航网络来提高研究机器人或未来无人机的功能。 但据巴尼诺（Banino）称，他们的计划没有那么集中，而且雄心勃勃。 他说：“我们认为导航是情报的基本属性之一。” “就个人而言，除了创建通用算法之外，我们不会考虑任何其他应用程序。”
他补充说：“大脑是通用算法的唯一例子。” “所以为什么不向他学习。”