深度學習可以無需人類幫助擊敗世界上任何一位圍棋選手，還能在幾秒鐘識別人臉，但是直到現在，深度學習算法都無法做到一項看似簡單的事情：空間感知。

大多數動物，包括人類，都能在生活的環境中靈活地導航，比如探索新領域、快速返回之前的地方或者抄近路。繞過障礙物、記住某個商店、在哪個路口轉彎……這些能力對人類來說都非常自然、簡單，以至于我們根本不會意識到完成這一過程有多復雜。相反，空間導航是智能體面臨的一重要挑戰，在這方面它們與動物還相差甚遠。

當大腦思考自己所在的位置時，會動用許多細胞。例如位置細胞（place cells），當生物體到達一個特定位置后會激發這一細胞。再例如動物頭部的朝向會激發“head-directioin cells”。

除此之外，空間導航中另一個重要神經元就是網格細胞（grid cell，也稱“網格單元”），這類神經元處于大腦中負責空間學習、空間記憶和通用常識的區域。2005年，研究人員發現，與其他神經元不同，網格神經元的形狀是非常完美的六邊形，當動物在環境中來回走動時，該神經元被激發，跟蹤并記錄物體移動的軌跡。六邊形組成的網格中的點，被認為能夠支持空間導航，類似于地圖上的經緯線。另外，這些神經元在不斷更新。當動物進入了一個全新環境，會重新激活一個相同的網格，適應新的環境。動物除了有內部的坐標系外，最近研究人員假設，它們的神經元（也稱為網格單元）也可以支持基于向量的導航。也就是說，讓大腦計算到目的地的方向和距離，就像“烏鴉飛行”一樣，這可以讓動物在陌生環境中找到自己合適的路線。

2014年，首次發現網格細胞的團隊獲得了諾貝了生理或醫學獎，為了表彰他們對空間認知表示的貢獻。但是雖然距離網格細胞的發現已經過去了十多年，網格細胞的計算功能，以及他們如何支持基于向量的導航，仍然不甚明朗。

而現在，打敗世界最出色的圍棋選手的AI背后的大腦正變得不再神秘，DeepMind的發現能幫助我們想答案邁進一步。

DeepMind的科研專家Andrea Banino說：“我們所想、所記、所感的一切都以某種方式編碼在大腦中。為了理解這一點，我們必須學習如何研究神經元，如何測量它們的活動，以及將這些活動與我們的行為聯系在一起。然而，這在真實的大腦上是很難實現的。”

而DeepMind做到了，不過不是在真的大腦上做實驗，而是利用神經網絡和受大腦神經元啟發構建的算法，來解釋了這一問題。在DeepMind最近發表在Nature的論文中，他們開發了一個智能體，用于測試網格細胞支持基于向量的導航的理論，“這與我們的重要理念相符合，即用于AI的算法與大腦中的元素十分相似，”研究人員表示。

第一步，DeepMind訓練了一個循環網絡（RNN），讓其利用與動作相關的主要的速度信號，在一個虛擬環境中對自己定位。這種能力通常出現在哺乳動物走到一個陌生環境中或不容易發現明顯地標的情況下才會出現（例如在黑暗中導航）。

他們發現，網格狀的表示（下文稱“網格單元”表示）會在網絡中自發生成，這與正在覓食的哺乳動物中所觀察到的神經活動模式十分相似，并且符合網格細胞為空間提供有效代碼的觀點。

在他們的實驗中，智能體生成了網格狀的表示：網格單元，它與哺乳動物覓食時的生物網格細胞非常像

接下來，研究人員測試了網格單元是否能夠通過創造智能體來支持基于向量的導航的理論。他們把該智能體看作虛擬的小鼠。通過將初始的“網格網絡”和更大的網絡架構結合，形成了一個可以用深度強化學習訓練的智能體，而它的目標是在虛擬現實的游戲環境中進行導航。研究人員發現，當它開始尋找自己的位置時，網格狀的形狀在網絡中開始形成。某些節點比其他節點用的更頻繁，這與真實動物在尋找方向是生成的網格單元形狀非常相似。

該智能體的表現超越了人類，比職業游戲玩家還要出色，并且展示了動物身上才有的靈活導航行為，能夠在必要時刻開辟新的路徑，甚至“抄近道”。

通過一系列實驗，我們證明了網格狀的表示對基于向量的導航十分重要。例如，當網絡中的網格單元消失，智能體導航的功能也就減弱了，同時關鍵指標（到目標的距離和方向）也變得不準確了。

用網格單元進行向量導航的演示。底部圓點代表三種不同尺寸的網格單元。當智能體移動時，網格單元就會被激活，代表這當前的網格代碼，從而發生變化，反應智能體進入了不同的領域。網格單元用于計算到達目標的最短距離

DeepMind的CEO，Demis Hassabis表示：“人類大腦是唯一能證明我們是能夠創造強人工智能的證據，所以將神經科學看成是算法新的靈感是完全可行的。但是我們認為這種靈感應該是雙向的，既能對人工智能有所啟發，也能對神經科學界未解決的問題提供幫助。這項工作就是很好的證明：通過創建一個能在復雜環境中導航的智能體，我們證明了網格單元在哺乳動物的導航中的重要性，并加深了對它的理解。”

研究團隊認為，這項研究對于了解大腦中的網格單元的基本計算目的是很重要的，同時也表明它們對智能體的幫助也是很大的。實驗的結果為網格單元能提供一個歐幾里得空間框架的理論提供了支持，這一概念支持了基于向量的導航。

更廣泛地講，這項研究重新確認了大腦所用的算法能為機器學習架構提供參考。此前神經科學對網格單元的研究讓智能體的可解釋性變得更加容易，這本身就是人工智能研究中的主要話題，當他們試著想要理解它的內部表示，先前的研究可以給與參考。這項工作同樣展示了利用智能體在虛擬復雜環境中的行為驗證大腦如何工作的潛力。

長遠來看，這樣類似的方法還能用來檢測大腦的某一區域，例如負責捕捉聲音或控制肢體的地方。未來，這類網絡也許能像科學家提供不一樣的試驗方法，或者提出新的理論，甚至完成目前只能在小動物身上做的實驗。