今天，基于5G信號的路對車、車對車通訊技術(shù)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(dǎo)航信息的更高級無人駕駛技術(shù)也越來越成為可能。

但是，如果有一天，這些外界的導(dǎo)航信息突然中斷了，怎么辦？

機(jī)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(jìn)的方向，不變成“路癡”呢？

近日，北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院斯白露教授的團(tuán)隊(duì)建立了一套貝葉斯吸引子網(wǎng)絡(luò)實(shí)時定位和地圖構(gòu)建模型（NeuroBayesSLAM），實(shí)現(xiàn)了機(jī)器人在未知環(huán)境中的自主定位和地圖學(xué)習(xí)。這個模型的研究成果發(fā)表在《神經(jīng)網(wǎng)絡(luò)》上，它模擬哺乳動物大腦的空間編碼細(xì)胞的工作原理，整合視覺信息和運(yùn)動信息，證明了可以將哺乳動物空間認(rèn)知的思維方法應(yīng)用于機(jī)器人導(dǎo)航，并具有獨(dú)特的優(yōu)越性。

柵格細(xì)胞、位置細(xì)胞和頭朝向細(xì)胞分工協(xié)作

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

腦科學(xué)研究者通過半個多世紀(jì)的研究，發(fā)現(xiàn)動物的導(dǎo)航是由多種編碼空間信息的神經(jīng)細(xì)胞協(xié)作完成的。20世紀(jì)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(xì)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(fù)責(zé)空間認(rèn)知的神經(jīng)回路——內(nèi)嗅皮層，其中的“柵格細(xì)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(xì)胞整合另一組表征運(yùn)動方向的“頭朝向細(xì)胞”，來編碼自己訪問過的位置、方向和距離，相對位置細(xì)胞有更強(qiáng)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(xué)或醫(yī)學(xué)獎。

哺乳動物在導(dǎo)航過程中需要數(shù)以千萬計的細(xì)胞參與決策，視神經(jīng)網(wǎng)絡(luò)獲得的視覺信息和運(yùn)動信息如何在柵格細(xì)胞和頭朝向細(xì)胞神經(jīng)網(wǎng)絡(luò)中實(shí)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(jī)器人導(dǎo)航中的定位和地圖構(gòu)建問題。

模型中柵格細(xì)胞和頭朝向細(xì)胞模擬真實(shí)神經(jīng)細(xì)胞的激活狀態(tài)，構(gòu)成位置和方向的先驗(yàn)知識。在運(yùn)動時，大腦視覺感知獲得新的信息之后，柵格細(xì)胞和頭朝向細(xì)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(yàn)估計。柵格細(xì)胞和頭朝向細(xì)胞通過這種統(tǒng)一的機(jī)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(shí)時構(gòu)建了一套認(rèn)知地圖，并能夠在外界定位信息缺失的情況下進(jìn)行自主導(dǎo)航。

深度學(xué)習(xí)還需要什么

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

“深度學(xué)習(xí)之父”、多倫多大學(xué)計算機(jī)科學(xué)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(jī)科學(xué)和生物學(xué)之間架設(shè)橋梁。”

斯白露認(rèn)為，與腦神經(jīng)網(wǎng)絡(luò)相比，深度學(xué)習(xí)的約束較少。雖然能夠借助學(xué)習(xí)和優(yōu)化方法在宏觀上產(chǎn)生好的結(jié)果，但深度學(xué)習(xí)模型中的元素在機(jī)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(luò)具有明顯的模塊化組織特征，而深度學(xué)習(xí)網(wǎng)絡(luò)目前主要模擬腦網(wǎng)絡(luò)的層次化機(jī)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(xué)習(xí)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(fù)雜通用智能系統(tǒng)，腦網(wǎng)絡(luò)中的神經(jīng)細(xì)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(xì)胞的異質(zhì)性大大增加了神經(jīng)系統(tǒng)的復(fù)雜度。神經(jīng)細(xì)胞之間通過獨(dú)特的連接結(jié)構(gòu)互相傳遞信息，形成一個有內(nèi)在運(yùn)行軌跡的復(fù)雜網(wǎng)絡(luò)。腦網(wǎng)絡(luò)的分化和協(xié)同機(jī)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(qiáng)相關(guān)關(guān)系,使理解和解釋腦成為可能。此外，腦網(wǎng)絡(luò)連接的自組織學(xué)習(xí)、記憶、注意等機(jī)制使得腦不需要大規(guī)模訓(xùn)練，根據(jù)小樣本也可以完成學(xué)習(xí)任務(wù)。

如果說深度學(xué)習(xí)是一個初生的嬰兒，類腦智能則是獲得了豐富的機(jī)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(jìn)行抽象處理，構(gòu)建內(nèi)在模型，來解釋客觀世界的復(fù)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(luò)，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(dǎo)航任務(wù)的體現(xiàn)，但是具有理解型學(xué)習(xí)的核心機(jī)制—認(rèn)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(shí)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(xué)基礎(chǔ)研究中已經(jīng)積累了大量的生物學(xué)發(fā)現(xiàn)。”文章第一作者，目前在復(fù)旦大學(xué)類腦智能科學(xué)與技術(shù)研究院做博士后研究的曾太平告訴《中國科學(xué)報》，“我們的工作一方面解析大腦的內(nèi)在機(jī)理，一方面也比較重視貼近實(shí)際的應(yīng)用。”他們期待把模型擴(kuò)展到其他應(yīng)用，整合多種模態(tài)、多個腦區(qū)的信息，適應(yīng)更大更復(fù)雜的環(huán)境。

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

談到未來的工作，曾太平補(bǔ)充說：“內(nèi)嗅皮層-海馬神經(jīng)環(huán)路能夠?qū)Y(jié)構(gòu)化的信息進(jìn)行泛化、抽象，我們的工作也將進(jìn)一步研究初級感知信息在海馬相關(guān)腦區(qū)的抽象表達(dá)，以實(shí)現(xiàn)對復(fù)雜動態(tài)環(huán)境信息的高效編碼。”

王佐仁認(rèn)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(jié)構(gòu)化的認(rèn)知地圖，實(shí)現(xiàn)理解型學(xué)習(xí)、抽象思維和推理。認(rèn)知地圖是邏輯推理、想象和創(chuàng)造的基礎(chǔ)，也是類腦智能達(dá)到通用智能必須具備的能力。這項(xiàng)具有仿生學(xué)意義的工作實(shí)現(xiàn)了腦科學(xué)與人工智能的融合，是更高級別人工智能的基礎(chǔ)。對于理解最優(yōu)路徑，構(gòu)建認(rèn)知地圖，提升深度學(xué)習(xí)模型，具有重要意義，是已有系統(tǒng)朝類腦方向前進(jìn)的一大步。

來源：中國科學(xué)報 作者：池涵