Способность выбирать самый короткий маршрут из точки А в точку Б, на первый взгляд, не кажется признаком высокого уровня интеллекта. Однако события приняли иной оборот: в исследовании, опубликованном в «Nature», ученые описали новый навигационный искусственный интеллект (ИИ), чья способность анализировать сложные условия обстановки и находить среди них оптимальный маршрут до точки назначения ставит такую систему в ранг, которому ранее принадлежали только человек и интеллектуально развитые живые существа.
Оказалось, что причиной такого поведения системы стало спонтанное преобразование элементов нейронной сети в эквивалент «нейронов решётки» – вида нейронов мозга, позволяющих животным ориентироваться в пространстве.
Для нейробиологов эта работа очень важна: она может помочь в понимании функционирования нейронов решётки в мозге живого существа. Также, опубликованные данные смогут внести огромный вклад в будущие исследования искусственного интеллекта. Нил Берджесс, нейробиолог в Университетском колледже Лондона, который не участвовал в исследовании, предполагает, что эта система «послужит плодородной почвой для изучения головного мозга человека».
В то время как для ученых в области ИИ значение этой работы в совершенствовании навигационных систем абсолютно очевидно, для всего остального научного мира её значение состоит в возможности создания все более «умных» машин во всех сферах человеческой деятельности.
По словам авторов проекта Андреа Банино из британской компании «DeepMind», занимающейся разработкой ИИ, и Кэзуэллы Барри в Университетском колледже Лондона, отправной точкой для этого проекта стали вопросы о функционировании нейронов решетки головного мозга. Такие нейроны также называются «GPS-системой мозга» в связи с их особой важностью в пространственной ориентации для многих живых существ (в 2014 году Эдвард Мозер и Мей-Бритт Мозер получили за открытие этих клеток Нобелевскую премию). Такие кластеры нейронов, образующие матрицу, работают коллективно, подобно инерционным системам наведения на судах, самолете и в ракетах: они продолжают отслеживать движение объекта в пространстве даже при полной темноте. Барри отмечает: «Эта система может точно сказать, где вы находитесь, основываясь на том, как вы двигаетесь».
Этот проект – демонстрация того, что выгода в использовании глубокого обучения может распространиться на задачи, ранее выполняемые лишь высшими когнитивными функциями мозга.
Поэтому нейрофизиологи приписывают нейронам решетки еще одну функцию – функцию «интеграции пути» – систему навигации, которая для построения маршрута использует известные исходные координаты и элементы движения, но не внешние сигналы. Она не работает по принципу «сделайте 5 шагов вперед, затем развернитесь на 90 градусов налево и пройдите прямо еще 15 шагов». Помимо этого, различные эксперименты показали, что нейроны решетки выполняют не просто функцию построения оптимального маршрута: они способны измерять время и расстояние.
Как отметила Барри, если нейроны решетки снабжают мозг «пространственными ссылками» на объекты и места, то «в принципе, мы можем использовать эти клетки для построения маршрута между этими объектами и местами». Именно это и называется векторной навигацией.
Для более детального изучения функций этих клеток, исследователи решили использовать нейронные сети глубокого обучения. Для начала, чтобы понять, как сымитировать интеграцию пути, ученые создали нейронную сеть и поместили внутри нее агент, движущийся в маленьком пространстве. «Мы хотели убедиться сможем ли мы создать такую искусственную нейросеть, которая, получив определенную задачу, сможет трансформировать нейроны решетки» — добавляет Барри.
Нейронная сеть сработала «на отлично» и, по словам Барри, «самым удивительным стало то, насколько хорошо она работала». Спонтанно возникающие элементы в сетке были поразительно похожи на свои аналоги, находящиеся в головном мозге многих животных.
Элементы искусственной сети после решения навигационной задачи спонтанно реорганизовывались и образовывали гексагональные структуры, подобные тем, что возникают в человеческом мозгу. Представленные результаты показывают высокую активность естественных и искусственных нейронов.
Позже, исследователи поняли, что такая нейронная сеть может также справиться с задачей, при которой моделируемому агенту нужно найти путь к цели в условиях, похожих на лабиринт. Система с искусственными нейронами решетки намного превосходила систему без них: к примеру, ИИ с нейронами могла заметить, если ранее закрытая дорога, обеспечивающая более короткий путь, стала открытой, и отдавала ей предпочтение. Согласно словам Банино, эта ловкость означает ни что иное как векторную навигацию, так как маршрут корректировался на основе информации о местонахождении цели.
«Я считаю, что в этой работе мы смогли доказать, что нейроны решетки используются для построения кратчайшего пути», – объясняет Банино. Также, полученные результаты смогли подтвердить теории о том, что нейроны решетки отвечают не только за интеграцию пути, но и за векторную навигацию. Однако, экспериментальное подтверждение на животных является намного более сложной задачей.
В повторяющихся заданиях с лабиринтом, обучение обеих тестируемых систем находить маршрут до цели увенчалось успехом (левая схема). Однако, если барьер на середине пути убирался, только система с нейронами решетки замечала это и отдавала предпочтение этому маршруту. Другая система продолжала использовать прежний путь.
«Интересно то, что аналогичный подход может быть использован и для решения иных вопросов нейрофизиологии», – говорит Барри. Например, ученые, занимающиеся протезированием конечностей, могли бы натренировать нейронную сеть контролировать роботизированную руку точно так же, как мозг контролирует живую конечность. А затем направить эксперименты на обучение искусственной нейронной сети управлять живой рукой. «Потенциально, это является очень серьезным инструментом нейрофизиологии для решения множества проблем».
«Это достаточно впечатляющая работа», – говорит Стефан Леутджеб, профессор нейробиологии в Университете Калифорнии, Сан-Диего. «Мне кажется, они предложили хорошее подтверждение тому, что за векторную навигацию отвечают нейроны решетки. Долгое время это было просто предположением, но я не думаю, что кто-то так близко подходил к разгадке самого механизма».
Однако, одновременно он подмечает: «В случае с компьютерными исследованиями нужно понимать, что они всегда ограничены. Действительно, это может работать именно так, но еще не доказано, что результат будет идентичным в испытаниях на животных».
Мозг – единственный доступный пример алгоритма общего назначения. Так почему же не взять его за источник? Андреа Банино.
Франческо Савелли, нейробиолог из Университета Джонса Хопкинса, состоящий в редакции журнала Nature, выразил аналогичное мнение. Он находит интересным то, что «ты каким-то образом получаешь эти нейроны решетки, не программируя их появление… Они появляются сами по себе». Но в то же время, «так как эта модель не является биологически реалистичной, вы не можете быть до конца уверены в том, какую именно информацию она вам дает. Если Вы не в состоянии ворваться в черный ящик этой сети и сделать её немного более биологически реалистичной, тогда в какой-то момент вы достигаете предела в том, что вы можете предложить для дальнейших нейробиологических исследований», – сказал он.
С другой стороны, вдохновляющим в плане технологических перспектив является то, что «эти системы, способные к глубокому обучению, все ближе и ближе к тому, чтобы справляться с задачами, которые изначально под силу только мозгу с его высшими когнитивными функциями», – объясняет Савелли – «Этот проект – демонстрация того, что выгода в использовании глубокого обучения может распространиться на задачи, ранее выполнимые высшими когнитивными функциями мозга».
Можно себе представить, как много исследователи из DeepMind планируют воплотить в жизнь благодаря улучшенной системе навигации, к примеру, расширить возможности исследовательских роботов или будущих самопилотируемых дронов. Но, согласно Банино, их планы пока более широкие и амбициозные, но не сфокусированные на чем-то конкретном. «Мы считаем, что навигация – это фундаментальный аспект нашего интеллекта», – говорит он – «лично мы пока не думаем ни о каком другом применении системы, за исключением создания алгоритма общего назначения.
Мозг – единственный доступный пример алгоритма общего назначения. Так почему же не взять его за основу?».
Количество исследований мозга в последнее время растёт в геометрической прогрессии. Например, недавно учёные выяснили, что твой мозг буквально поедает себя, когда ты недостаточно спишь. А ещё они узнали, что происходит в нашем сознании, когда нам что-то угрожает.