A地点からB地点への最短ルートである近道をする感覚を持っていることは、あまり印象的な知性テストのようには思えません。しかし、今日 Nature に登場する新しいレポートによると 、研究者は、新しいナビゲーション人工知能のパフォーマンスについて説明しています。複雑なシミュレートされた環境を探索し、目標への最短ルートを見つけるシステムの能力は、以前は人間や他の生物のために予約されていたクラスに分類されました.
システムのパフォーマンスの驚くべき鍵は、ナビゲーション方法を学習している間に、ニューラル ネットワークが自発的に「グリッド セル」に相当する脳細胞のセットを開発したことでした。これにより、少なくとも一部の哺乳類は、宇宙での自分の位置を追跡できるようになります。
神経科学者にとって、この新しい研究は、生きた脳のグリッド細胞が私たちをより優れたナビゲーターにする方法についての重要な手がかりを提供しているようです.また、ニューラル ネットが将来の神経科学研究にいかに大きく貢献できるかを示しています。ユニバーシティ カレッジ ロンドンの認知神経科学者で、この研究には関与していない Neil Burgess は、システムは「人間の脳がどのように、またなぜ機能するかを理解するための肥沃な土台を提供するべきである」と示唆しました。
一方、AI 研究者にとって、この研究が自動ナビゲーション システムの改善に関連していることは明らかです。しかし、その重要性は最終的に、機械の知性を強化するためのより一般的な方法を提案することにあるかもしれません.
新しい Nature の主執筆者である英国の AI 企業 DeepMind の研究者 Andrea Banino とユニバーシティ カレッジ ロンドンの Caswell Barry によると、 このプロジェクトは、脳のグリッド細胞の機能について彼らが持っていた疑問から発展しました。グリッド セルは、多くの動物種でナビゲーションに重要であるため、「脳の GPS」と呼ばれることがよくあります。 (Edvard Moser と May-Britt Moser は、9 年前にグリッド セルを発見したことで 2014 年のノーベル賞を受賞しました。) これらのニューロンのクラスターは、ほぼ六角形の配列で配置され、船、航空機、およびミサイルの慣性誘導システムのように集合的に機能します。 :完全な暗闇の中でも、体が空間をどのように移動しているかを追跡します。 「基本的には、自分がどのように動いているかに基づいて、自分がどこにいるのかについての信念を更新しています」とバリーは言いました.
そのため、神経科学者は、グリッド セルが「経路統合」と呼ばれる機能を実行していると考えています。これは、外部の手がかりを必要としない推測航法によるナビゲーションです。さらに 15 歩進んでください…」しかし、さまざまな実験から、グリッド セルが他の機能を果たしていることも示唆されており、その中にはナビゲーションを超えた機能も含まれている可能性があります。たとえば、一部の研究では、移動中の時間と距離の測定にグリッド セルが関係しています。 Barry が指摘したように、グリッド セルがオブジェクトと場所の空間参照を提供する場合、「原則として、それらを使用してそれらの場所間の直接ルートを計算できます」、つまり「ベクトルベースのナビゲーション」と呼ばれるものです。
研究者たちは、深層学習ニューラル ネットワークを使用して、これらのナビゲーション機能におけるグリッド セルの役割を調査することにしました。最初のステップとして、彼らはニューラル ネットワークをセットアップして、小さな空間を移動するシミュレートされたエージェントの経路統合を行う方法を学習しました。 「適切なタスクを備えた人工ネットワークをセットアップして、実際にグリッド セルを開発できるかどうかを確認したかったのです」と Barry 氏は述べています。
ニューラル ネットワークはその義務を負い、バリーによれば、「驚くべきことは、それがどれほどうまく機能したかということでした」。ネットワークに自然発生した「グリッド ユニット」は、六角形のグリッドに至るまで、動物の脳に見られるものと非常によく似ていました。
次に、研究チームはニューラル ネットワークの機能をシステムに結合し、シミュレートされたエージェントが迷路のような仮想環境を通り抜けてゴールにたどり着くのを支援しました。グリッドユニットを備えたシステムは、グリッドユニットを備えていないシステムよりもはるかに優れていました。たとえば、システムは、以前に閉じられたドアがゴールへの近道を提供しているかどうかを判断でき、そのルートを優先的に使用します。 Banino 氏によると、このコツは、ニューラル ネットワークのグリッド ユニットがベクトルベースのナビゲーションを実行していることを示しています。これは、ゴールの位置に関する知識に基づいて、より短く、より直接的なルートを識別していたためです。
「この研究により、グリッドセルが近道をするために使用されるという原理の証明を与えることができたと思います」とBaninoは言いました。したがって、結果は、脳内のグリッド細胞が経路統合とベクトルベースのナビゲーションの両方が可能であるという理論を支持しました。彼は、生きている動物の研究に匹敵する実験的証拠を得るのははるかに難しいだろうと付け加えた.
「興味深いのは、この同じアプローチがさまざまな種類の神経科学の質問に使用できるということです」と Barry 氏は述べています。たとえば、手足の制御に関心のある研究者は、ニューラル ネットワークを訓練して、脳が生きている腕を制御するようにロボット アームを制御し、人工システムで実験を実行して、生きている腕に関するさらなる洞察を得ることができます。 「非常にエキサイティングな汎用神経科学ツールになる可能性があります。」
カリフォルニア大学サンディエゴ校の神経生物学教授であるステファン・ロイトゲブ氏は、「これは非常に壮観です。 「それらは、ベクトル ナビゲーションが [グリッド セルの] 可能な機能であるという非常に良い例だと思います。これは長い間提案されてきましたが、考えられるメカニズムを見つけるのにこれほど近づいた人はいないと思います。」
しかし同時に、彼は次のように述べています。これは機能する可能性のある方法ですが、動物で機能する方法であることを証明するものではありません.」
ジョンズ・ホプキンス大学の神経科学者、Francesco Savelli は、新しい Nature に関する解説を共同執筆しました。 ペーパーは、同様の見解を提供しました。彼は非常に興味深いと考えています。 …それでも、それらは緊急の特性として出てきます。」しかし同時に、「これは生物学的に現実的なシステムではないため、正確にどのような情報が得られるかについては少し不明確かもしれません.
「このネットワークのブラックボックスに侵入し、このネットワークを生物学的にもう少し現実的にすることができない限り、ある時点でさらなる神経生物学的研究に情報を提供する方法の限界に達します」と彼は言いました.
一方、技術的な観点から心強いのは、「これらの深層学習システムは、ますます、脳の高次認知機能に似たタスクに取り組むことができるようになっていることです」と Savelli 氏は述べています。 「これは、深層学習を使用する利点が、より高次の認知機能に近いタスクにまで及ぶことを示しています。」
DeepMind の研究者は、このより優れたナビゲーション ネットワークを使用して、探索ロボットや将来の自動操縦ドローンの機能を改善しようとしていると想像するかもしれません。しかし、Banino 氏によると、彼らの計画は焦点が絞られておらず、より野心的です。 「ナビゲーションは私たちの知能の基本的な側面であると考えています」と彼は言いました。 「個人的には、汎用アルゴリズムを作成する以外の用途は考えていません。
「脳は、汎用アルゴリズムの唯一の例です」と彼は続けました。 「それなら、そこから調達してみませんか?」
Jordana Cepelewicz がこの記事のレポートに貢献しました
