今天，基于5G信號的路對車、車對車通訊技術正如火如荼地發(fā)展，車聯(lián)網(wǎng)離我們越來越近，由其提供導航信息的更高級無人駕駛技術也越來越成為可能。

但是，如果有一天，這些外界的導航信息突然中斷了，怎么辦？

機器人在未知環(huán)境中，能否“自力更生”，自主地判斷自身的位置、找到前進的方向，不變成“路癡”呢？

近日，北京師范大學系統(tǒng)科學學院斯白露教授的團隊建立了一套貝葉斯吸引子網(wǎng)絡實時定位和地圖構建模型（NeuroBayesSLAM），實現(xiàn)了機器人在未知環(huán)境中的自主定位和地圖學習。這個模型的研究成果發(fā)表在《神經(jīng)網(wǎng)絡》上，它模擬哺乳動物大腦的空間編碼細胞的工作原理，整合視覺信息和運動信息，證明了可以將哺乳動物空間認知的思維方法應用于機器人導航，并具有獨特的優(yōu)越性。

柵格細胞、位置細胞和頭朝向細胞分工協(xié)作

“機器人導航是人工智能領域的經(jīng)典問題。”斯白露說，“從20世紀80年代以來，人工智能學家設計了各種算法，希望賦予機器人空間認知能力，在陌生環(huán)境中認路，確定自己的方位。這些方法的效果遠比不上老鼠等動物的導航能力。”

腦科學研究者通過半個多世紀的研究，發(fā)現(xiàn)動物的導航是由多種編碼空間信息的神經(jīng)細胞協(xié)作完成的。20世紀70年代，約翰·歐基夫在哺乳動物大腦的海馬體中發(fā)現(xiàn)了一組能編碼位置的“位置細胞”，可以記憶窩和食物源等重要的位置。

2005年，梅·布麗特·莫澤爾和愛德華·莫澤爾等人又在海馬體的附近，發(fā)現(xiàn)了另外一套負責空間認知的神經(jīng)回路——內(nèi)嗅皮層，其中的“柵格細胞”在平面環(huán)境中的放電模式形成周期性的三角形柵格。這些柵格細胞整合另一組表征運動方向的“頭朝向細胞”，來編碼自己訪問過的位置、方向和距離，相對位置細胞有更強的空間記憶能力。

三人因上述科研成果獲得了2014年的諾貝爾生理學或醫(yī)學獎。

哺乳動物在導航過程中需要數(shù)以千萬計的細胞參與決策，視神經(jīng)網(wǎng)絡獲得的視覺信息和運動信息如何在柵格細胞和頭朝向細胞神經(jīng)網(wǎng)絡中實現(xiàn)整合的呢？

斯白露等人發(fā)現(xiàn)，大腦整合這些信息的方式符合貝葉斯法則，可以借鑒用于解決機器人導航中的定位和地圖構建問題。

模型中柵格細胞和頭朝向細胞模擬真實神經(jīng)細胞的激活狀態(tài)，構成位置和方向的先驗知識。在運動時，大腦視覺感知獲得新的信息之后，柵格細胞和頭朝向細胞會根據(jù)新信息的不確定性更新、調(diào)整位置和方向的概率分布，形成一個后驗估計。柵格細胞和頭朝向細胞通過這種統(tǒng)一的機制動態(tài)地整合多種感知信息流，動物就得到了自身方位的最優(yōu)概率，也就實時構建了一套認知地圖，并能夠在外界定位信息缺失的情況下進行自主導航。

深度學習還需要什么

深度學習雖然在過去的幾年中得到了廣泛的應用，但也遇到了可解釋性差和需要大量訓練數(shù)據(jù)的瓶頸。

“深度學習之父”、多倫多大學計算機科學系教授杰弗里·辛頓說：“要解決人工智能的問題，需要在計算機科學和生物學之間架設橋梁。”

斯白露認為，與腦神經(jīng)網(wǎng)絡相比，深度學習的約束較少。雖然能夠借助學習和優(yōu)化方法在宏觀上產(chǎn)生好的結果，但深度學習模型中的元素在機制上不太好理解，整體上是個黑盒子，模型的輸出不可控，具有安全隱患。此外，腦網(wǎng)絡具有明顯的模塊化組織特征，而深度學習網(wǎng)絡目前主要模擬腦網(wǎng)絡的層次化機制，能否產(chǎn)生模塊化的功能組織還有待研究。

在他看來，深度學習的兩個主要瓶頸在類腦智能面前都可以迎刃而解。作為一個復雜通用智能系統(tǒng)，腦網(wǎng)絡中的神經(jīng)細胞在形態(tài)、信息處理方式、放電和編碼特性方面都是多種多樣的。神經(jīng)細胞的異質(zhì)性大大增加了神經(jīng)系統(tǒng)的復雜度。神經(jīng)細胞之間通過獨特的連接結構互相傳遞信息，形成一個有內(nèi)在運行軌跡的復雜網(wǎng)絡。腦網(wǎng)絡的分化和協(xié)同機制在功能上既促成了選擇性，不同腦區(qū)各有所長，也帶來了多樣性，各腦區(qū)各司其職。腦活動與腦功能之間的強相關關系,使理解和解釋腦成為可能。此外，腦網(wǎng)絡連接的自組織學習、記憶、注意等機制使得腦不需要大規(guī)模訓練，根據(jù)小樣本也可以完成學習任務。

如果說深度學習是一個初生的嬰兒，類腦智能則是獲得了豐富的機制性內(nèi)涵的青年。類腦智能借鑒腦的組織原則、計算原理，在更高層次上對動態(tài)信息流進行抽象處理，構建內(nèi)在模型，來解釋客觀世界的復雜性。

類腦智能：人工智能下一站

“我們在算法上模擬了腦神經(jīng)網(wǎng)絡，大腦就是這樣工作的。”斯白露說，“我們的算法，雖然是記憶在空間導航任務的體現(xiàn)，但是具有理解型學習的核心機制—認知地圖。”借鑒和模擬記憶神經(jīng)環(huán)路的計算原理，類腦智能可以實現(xiàn)感知和記憶的融合，完成新舊信息的整合，能夠提高人工智能形成抽象概念的能力。

“腦科學基礎研究中已經(jīng)積累了大量的生物學發(fā)現(xiàn)。”文章第一作者，目前在復旦大學類腦智能科學與技術研究院做博士后研究的曾太平告訴《中國科學報》，“我們的工作一方面解析大腦的內(nèi)在機理，一方面也比較重視貼近實際的應用。”他們期待把模型擴展到其他應用，整合多種模態(tài)、多個腦區(qū)的信息，適應更大更復雜的環(huán)境。

類腦科學的已有研究，主要集中在理論層面的探索，而結合實際應用并能落地實施的較少。中國科學院腦科學與智能技術卓越創(chuàng)新中心副主任王佐仁認為這項“有神經(jīng)科學內(nèi)涵的貝葉斯吸引子模型”工作很有意義。“首先，實現(xiàn)了方位與運動信息的融合，降低了計算復雜度，增強了可解釋性。其次，實現(xiàn)了在沒有GPS信號和導航信息的情況下，一邊精確定位導航，一邊自主構建地圖。另外，單相機就可以實施對角速度與平移速度的測量和實時定位，無需360度SLAM（實時定位和地圖測繪）。”王佐仁說。

談到未來的工作，曾太平補充說：“內(nèi)嗅皮層-海馬神經(jīng)環(huán)路能夠對結構化的信息進行泛化、抽象，我們的工作也將進一步研究初級感知信息在海馬相關腦區(qū)的抽象表達，以實現(xiàn)對復雜動態(tài)環(huán)境信息的高效編碼。”

王佐仁認為高級智能的典型特征是能夠把感知到的信息抽象成概念，并組織成結構化的認知地圖，實現(xiàn)理解型學習、抽象思維和推理。認知地圖是邏輯推理、想象和創(chuàng)造的基礎，也是類腦智能達到通用智能必須具備的能力。這項具有仿生學意義的工作實現(xiàn)了腦科學與人工智能的融合，是更高級別人工智能的基礎。對于理解最優(yōu)路徑，構建認知地圖，提升深度學習模型，具有重要意義，是已有系統(tǒng)朝類腦方向前進的一大步。

來源：中國科學報 作者：池涵