AI的定位和导航类似于大脑的位置细胞和网格细胞

近日，DeepMind 在 Nature 上发表的一篇论文引起 AI 领域和神经科学领域的极大震撼：AI 展现出与人脑 “网格细胞” 高度一致的空间导航能力。甚至有些学者认为，凭着这篇论文，DeepMind 的作者有可能问鼎诺贝尔奖。本文作者邓侃博士对这篇突破性的论文进行了解读。

Google 麾下的 DeepMind 公司，不仅会下围棋，而且写的论文也顶呱呱。

2018/5/10，今天的微信朋友圈，被 DeepMind 一篇论文刷屏了。论文发表在最近一期 Nature 杂志上，题目是 Vector-based navigation using grid-like representations in artificial agents [1]。

有些学者认为，凭着这篇论文，DeepMind 的作者有可能问鼎诺贝尔奖 [2]。

重要意义：AI的定位和导航类似于大脑的位置细胞和网格细胞

其实这篇论文是 DeepMind 人工智能团队，与 University College of London（UCL） 的生物学家，合作的产物。

对空间的定位和导航能力，是生物的本能。早在 1971 年，UCL 的生理学教授 John O'Keefe 在大脑海马体中，发现了位置细胞（Place Cell）。随后 O'Keefe 的学生，Moser 夫妇于 2005 年发现，在大脑内嗅皮层，存在一种更为神奇的神经元，网格细胞（Grid Cell）。在运动过程中，生物的网格细胞，把空间分割为蜂窝那样的六边形，并且把运动轨迹记录在蜂窝状的网格上。

2014 年的诺贝尔生理学/医学奖，颁发给了 John O'Keefe 和 Moser 夫妇。

人工智能深度学习模型，经常被诟病的一大软肋，是缺乏生理学理论基础。深度学习模型中的隐节点的物理意义，也无法解释。

DeepMind 和 UCL 合著的 Nature 论文，发现深度学习模型中隐节点，与脑内的位置细胞和网格细胞，这两者的激活机制和数值分布，非常相似，几乎呈一一对应的关系。

Extended Data Fig 3.d：第一行，深度学习模型的隐节点的激活机制和数值分布。第二行，Moser 夫妇发现的网格细胞的蜂窝状数值分布。深度学习隐节点与网格细胞的数值分布，极为相似。第三行，数值分布所揭示的空间定位及运动方向。

这篇论文，之所以引起学界轰动，原因在于证明了，把深度学习模型用于空间的定位和导航，其隐节点的物理意义，类似于大脑的位置细胞和网格细胞。进一步猜想，深度学习模型的定位和导航的计算过程，很可能与大脑的定位和导航的生理机制，也极为相似。

为什么 DeepMind 热衷于玩游戏？

面向空间定位和导航的深度学习模型，有哪些应用场景呢？DeepMind 把这个技术用于玩电子游戏，类似于 “反恐精英”（Counter Strike）那样的走迷宫射杀***的游戏。

DeepMind 下完围棋以后，玩初级电子游戏，现在升级了，改玩高级游戏了。为什么 DeepMind 那么热衷于游戏呢？

游戏是仿真系统，一切尽在掌控之中，想要什么数据，就能获取什么数据。所以，每条数据，都很全面，不会有数据丢失。

同时，只要多雇一些玩家，多花一点时间，要多少训练数据，就有多少训练数据。

用游戏来验证深度学习模型，非常方便。这是 DeepMind 热衷于玩游戏的原因。同时，因为能够快速地获取数据，DeepMind 对于深度学习和强化学习研究，领先世界。

Figure 3. DeepMind 把基于深度学习的空间定位和导航技术，应用于反恐精英（Counter Strike）游戏。

问题是，把适用于游戏的深度学习模型，移用到真实世界，解决实际问题，是否仍然有效？

同是 Google 麾下兄弟，Google Brain 更注重解决实际问题，兄弟俩各有千秋。Google Brain 开发的 Tensorflow 成为工程利器，而 DeepMind 的论文，提供新方法，引领研究前沿。

深度学习仿真位置和网格细胞的论文，技术上有什么创新？

短的答案，没有独特的创新。

长的答案，得先讲讲马尔科夫和强化学习。

强化学习（Reinforcement Learning）是机器学习的一个重要分支，它试图解决决策优化的问题。所谓决策优化，是指面对特定状态（State，S），采取什么行动方案（Action，A），才能使收益最大（Reward，R）。很多问题都与决策优化有关，从下棋，到投资，到课程安排，到驾车，到走迷宫等等。

AlphaGo 的核心算法，就是强化学习。AlphaGo 不仅稳超胜券地战胜了当今世界所有人类高手，而且甚至不需要学习人类棋手的棋谱，完全靠自己摸索，在短短几天内，发现并超越了一千多年来人类积累的全部围棋战略战术。

最简单的强化学习的数学模型，是马尔科夫决策过程（Markov Decision Process，MDP）。之所以说 MDP 是一个简单的模型，是因为它对问题做了很多限制。

1. 面对的状态 s_{t}，数量 t = 1... T，T 是有限的。

2. 采取的行动方案 a_{t}，数量 t = 1... T，T 也是有限的。

3. 对应于特定状态 s_{t}，当下的收益 r_{t} 是明确的。

4. 在某一个时刻 t，采取了行动方案 a_{t}，状态从当前的 s_{t} 转换成下一个状态 s_{t+1}。下一个状态  s_{t+1} 有多种可能，从当前状态 s_{t} 转换到下一个状态中的某一种状态的概率，称为转换概率。但是转换概率，只依赖于当前状态 s_{t}，而与先前的状态，s_{t-1}, s_{t-2} ... 无关。

解决马尔科夫决策过程问题的常用的算法，是动态规划（Dynamic Programming）。

对马尔科夫决策过程的各项限制，不断放松，研究相应的算法，是强化学习的目标。

例如对状态 s_{t} 放松限制，

1. 假如状态 s_{t} 的数量 t = 1... T，T 虽然有限，但是数量巨大，或者有数量无限，如何改进算法？

2. 假如状态 s_{t} 不能完全确定，只能被部分观察到，剩余部分被遮挡或缺失，如何改进算法？

3. 假如转换概率，不仅依赖于当前状态，而且依赖于先前的运动轨迹，如何改进算法？

4. 假如遇到先前没有遇见过的新状态 s_{t}，有没有可能在以往遇见过的状态中，找到相似状态，从而估算转换概率，估算收益？

Extended Data Fig 5.   用 Grid LSTM 来总结以往的运动轨迹，并加上神经网络 g 来判别当前的空间定位和运动方向。然后基于对当前的空间定位和导航的判断，用另一个 LSTM 来估算状态转换概率，从而决定导航策略。

这篇论文用深度学习模型，来仿真位置和网格细胞。具体来说，

1. 用 CNN 来处理图像，找到周边环境中的标志物，用于识别当前的空间位置。

2. 把图像处理的结果，与以往的运动轨迹相结合，用 Grid LSTM 来估算当前的状态。

3. 把 Grid LSTM 估算出的当前状态，经过一个神经网络 g 的再加工，得到类似于位置细胞和网格细胞的隐节点。

4. 把当前的位置和运动方向，以及目标的位置，作为第二个 LSTM 模型的输入，确定导航决策。

上述所有模块，都是现成技术的集成，并无显著创新。