研究機器人或者人工智慧，會讓我們更了解自己嗎？

對機器人或人工智慧的研究會幫助我們更好的了解人類自己嗎？

提問者給了趙思家的知乎專欄文章。對位置細胞和網格細胞很好的介紹。

發現大腦 GPS 系統的三位大師，剛剛獲得了諾貝爾獎

首先要做個簡單科普，也算對這個主問題的一個回答。從方法論上解讀一下人工智慧的研究方向分別試圖在什麼量級去模擬人腦的功能？

現有的大多數人工智慧的研究領域其實都是僅僅去模仿人腦的某個功能，至於原理是否相似，大家並不關心。比如遊戲內的 AI，用狀態機，行為樹（當然機器人研究也常用），這些研究對人來說有點像心理學研究。所以 Herbert Simon 既是人工智慧的大家，也是心理學的大家。計算機視覺的研究，大都是僅僅為了達成識別物體或理解場景的目的，從數學上是很清晰的，但並沒有研究腦的工作模式或採用類腦的方式。對於一份研究工作來講，講不清楚原理或者無法復現，是很難被科學界接受的一件事情。類腦的研究可能有時局限於這種「講不清楚」。終極一點想，如果模擬腦可以產生意識，那麼每個意識肯定是獨立而且不可複製的。現在的科學體系大概是需要用量子的觀點來接受這種個體隨機整體可統計的人工智慧吧。這是不是又好像在研究人類社會學了呢？

這種 AI 因為強調解決問題，所以大部分人了解到的人工智慧都是這個方向。工程應用中也大多數是這種 AI。

還有從類似人腦宏觀工作方式的角度去研究人工智慧的科學家們。大腦的大體解剖學告訴我們腦不僅僅是頂葉額葉顳葉枕葉四個區，Brodmann 將大腦分了近 50 個區，現代則將大腦進行了更精細的劃分。神經學家努力的研究每一部分的大腦進行哪些工作（大多數都研究很基本的功能），計算神經學家就希望可以把每一部分的小功能模擬出來，不管機理是不是類腦，然後希望可以完成一個比較強的完整功能。比如 HMAX，大概模擬了視覺的 6 個皮層，然後也實現了物體識別的功能。Brain Based Device，進行了很多方面的嘗試，可以完成簡單的導航功能。這類研究不求模擬神經元級別的腦活動，僅僅希望可以通過大腦各部分的小功能以及各部分的連接關係復現一些智能，或者印證對大腦的一些猜想。因為不需要完全依照大腦的結構，所以可以部分類腦，部分就是純工程的方法，可以有一定的應用價值。我們的研究也可以算作這個範疇。

（關於題主第二個小問題，還有哪些類似的利用機器人進行局部的人腦的認知功能的研究？

上面的回答里提到了一些。如果希望了解人工智慧方向局部人腦認知功能的工作，可以看看前不久唐華錦博士在楊靜的新智元上發表一個簡單的綜述。同時新智元上還有一些其他類腦計算的好文章~大家可以關注其公眾號。

【類腦專輯】神經擬態認知計算 ）

後來人們發現大腦是億萬個神經元的連接，所以也有人從微觀入手，研究神經元的連接，希望用工程方式重現小部分腦，試試可不可以做出該部分的功能。但是鑒於現在對於腦的了解太少，而且部分重建未必就能實現在整體腦中的功能，這一部分工作還多數停留在研究階段。神經形態學，脈衝神經網路，更類似這種研究。當然還有計算神經學家從建立每個神經元開始，也未必要實現某些功能，我現在能記得的就是耶魯大學的 NEURON 模擬軟體。這種研究就非常的基礎了，我也不知道還能不能劃分在人工智慧領域。

從事一項機器人或者人工智慧的研究工作，未必就能對人的本身更加了解，但是確實有科學家是一直向這方面努力的。包括現在的深度學習，是一種更類似人腦神經元獲取反饋的學習方式，但是網路和學習過程並沒有追求類腦。進化計算也是希望學習腦的成長方式，但是技術實現上也完全不相關。而其他更多的細分方向，大都是為了解決問題，而不是了解人類自己。

下面回答題主第一個小問題：試問，新加坡科技研究局的此次探索有著怎樣的意義？

作為題主問題中提到的論文作者之一，我僅僅想簡單的為大家介紹一下我曾所在的研究組接近四年的一些工作（內容略長），希望可以為大家了解這一個新興的研究方向提供一點幫助。同時讓大家可以自己判斷研究的意義。這篇論文 2014 年我們投 NIPS 被拒絕，後來投 AAAI，正好在 review 期間 O『Keefe 和 Moser 夫婦拿了諾貝爾獎，review 的分數非常高，reviewer 也很激動，最後拿到了 Oral Presentation。可是另外一部分詳細寫機器人應用的部分，被 ICRA 無情拒絕，因為有幾個 reviewer 說和傳統 state-of-the-art 的方法比，我們的建圖和導航沒有突破。人工智慧和機器人都是很廣泛的領域，我們的研究應該是偏向對腦理解，可能經常不太照顧性能和效率。

我們大家都信心滿滿這個工作會取得一些關注，可是從 2015 年 1 月龍哥（Yuan Miaolong）去開會，一直到 2015 年 10 月 ScienceDaily 和 MIT Technical Review 報道了這個工作之後，有一些朋友開始關注我們。這次知乎上有朋友提問，我們也希望借這個機會把這幾年的工作用中文介紹給大家。

MIT Technical Review 的報道

A Robot Uses Specific Simulated Brain Cells to Navigate

ScienceDaily 的報道

Navigating the unknown: Computer algorithm copies ...

譯文：

一種借鑒人類和動物導航能力的計算機演算法（守心齋譯文）

將時間撥回 2011 年——

看了我幾年的工作報告，為大家全面展示一下我們怎麼發展到去做這個工作，點點滴滴的積累，研究工作才能取得些許突破。

以下提到名字的多是大神，大家可以自己搜索下。

2011 年 6 月，首先是完成一個實體的機器人~ NECO，也就是 Nerual Cognitive Robot，這是第一代，參考 Wall-E。當時的設計有一些硬傷，底盤沒有碼盤，方向的獲取是指南針。指南針可以拿到一個絕對方向，這和生物系統本身是違背的。直接的問題就是在室內磁場強的地方獲取的方向偏差太大。

目標是實現一個十字迷宮的搜索。場景如下：

這是 Edward Tolman 曾經給老鼠設計的一個迷宮，用來論證老鼠大腦中存在認知地圖。我們把一個小機器人放進去，希望機器人在搜索之後，下一次我們給他一個刺激，他下一次可以直接找到相應的地點（左邊是出發點，其他位置是牛奶，乳酪和蘋果）。我們當時是跟隨 Gerald Edelman 所做的 Brain Based Device 的研究，根據大腦的部位連接方式建立神經網路計算模型，放入機器人中看是否可以重現生物實驗。我們基本是一直延續這個思路。他們不關心微觀的神經元活動，只希望用功能模塊驗證大腦各部分之間的連接。我們這個工作是希望可以復現他們的一篇文章。（Sensory Integration and Remapping in a Model of the Medial Temporal Lobe During Maze Navigation by a Brain-Basede Device) 因為他們的研究沒有公布源代碼，所以我們根據文章重新寫了一份 Matlab 的代碼。我當時的工作主要是機器人上的代碼實現。沒有參與演算法的部分。Huang Weiwei 師兄用 HMAX 模型（Tomaso Poggio 的視覺神經計算模型）替換了了原作中的感測器計算模型。

軟體的界面大概是這樣……那些矩陣都是神經計算模型的狀態。

2011 年 9 月，開始了 RatSLAM 的研究。作者 Michael Milford 是一個年輕的機器人科學家，主要的成果是 Posecell（位姿細胞，只是計算模型，不是大腦中真實存在的神經元），在某些性質上已經和網格細胞有點類似。我們把迷宮改成了如下，建圖的部分完全依照了 RatSLAM 的演算法。

不過我們在導航的部分加入了 Ole Jessen 的 Episodic Memory（情節記憶）模型。

結果表達大概是這個樣子……

寫了一篇期刊論文，截止目前還是 unpublished..

當時工作的兩個硬傷，第一是核心計算模型都是別人的，於是 Tang Huajin 博士讓大家首先去研究 Place 和 Grid cell 的計算模型。這些文章大多數都發表在 Nature，Science，PNAS，PloS 等期刊上，這項工作是硬骨頭，於是開始了一些粗糙的工作……還是上面的迷宮，僅僅用生成 Grid Cell 的一個模型，主要由一個大四的學生完成，當然現在看來這個工作的原理應該是錯誤的……最後結果是右下的圖。不過這個結果還是獲得了學院的優秀畢業設計~

後來還有一個大四學生做了一些初步的網格細胞疊加成位置細胞的試探。這也是重現一篇論文 From grid cells to place cells: a mathematical model 的工作。不過這個論文的問題是只是理論上驗證網格細胞出現的 grid field 可以通過線性疊加得到位置細胞的 place field。但是 place field 只會出現在環境的中間……

在 2012 年 6 月後對於 Grid Cell 和 Place Cell 計算模型的研究就暫時擱置了……

在此期間，大家深感迷宮中的工作不容易被接受，大老闆 Li Haizhou 給出意見是首先下力氣把機器人搬到實際環境中，不必急著去應用各種神經計算模型，於是後面的一段時間我們都在做這個事情……

首先做了一個更丑的機器人，但是整個系統換到了 ROS 下面。同時研究了一下 RGBDSLAM 和深度感測器。（其實還有兩個很高級的攝像頭，不過我沒有在他們上面做研究工作）。機器人變成這樣

因為沒有人用單一的 kinect 做大範圍建圖導航，我們在自己的辦公室內做了一個嘗試，建圖效果還不錯，導航略差……

後來又利用 kinect 做了一些人機交互的嘗試，不得不說 kinect 真是神器。機器人稍微好看了點……

Shim Vui Ann 花了很多精力解決局部導航的問題，我也把建圖的精度提高了些。這次在辦公室內導航已經比較隨意了~ 地圖上給了五個點試了試，基本可以和 Willow garage 用 navigation package 做出的結果相媲美。

這兩篇文章都發表在了 IROS 上，雖然核心演算法還是 RatSLAM，算是對我們機器人工作的一個肯定。這些工作結束之後又回到了一個老問題，研究神經認知演算法，怎樣才能把 Grid Cell 和 Place Cell 的計算模型用在機器人上？神經學家大多數的工作都是通過觀察老鼠和記錄神經活動狀態，通過歸納的方法給出計算模型。這些模型大都是比較支離破碎的，比如如何生成 Grid Cell，如何做線性疊加以及採用什麼學習的模型，Grid cell 如何做路徑積分，等等。因為生物學家沒有辦法獲取生物的感知信號，所以大家都是猜測 place cell 會和視覺等信號形成聯合記憶，並且在下一次認出某個位置的時候會對路徑積分的誤差做重置。這個部分就是機器人 SLAM 中常研究的 loop closure（閉環）。所以我們的工作看起來是要把這些計算模型連起來，計算神經學沒有的模型就從機器人學裡面拿，但是必須要把整個系統的功能做完備。然後再試著能不能用機器人復現生物實驗。也就是監測其中的 grid cell 和 place cell，看看他們是不是像老鼠腦中的細胞一樣會在特定的位置激發。

然後就是 Yuan Miaolong 沿著之前粗淺的工作繼續前行，論文讀了無數，並且在某天拿著 Yuram Burak 的論文手舞足蹈（Accurate Path Integration in Continuous Attractor Network Models of Grid Cells），這篇論文大概是設想 grid cell 在大腦里的 neural sheet 是和 grid field 在環境中的形狀差不多。同時把整個 grid cell 做路徑積分的原理講的很清楚。但是論文有點錯誤，就是把上帝視角的數據拿來放在自己的視角里做計算。說白了就是機器人學裡說的坐標系轉換有問題。

後來的工作包括從 Grid cell 疊加到 place cell，聯合記憶，重置，方向細胞，都用了比較工程的方式並採用了很多神經科學家的猜想。工作一共進行了接近一年，代碼量很大……比如僅僅生成下圖結果的代碼就有幾千行。

神經認知機器人的項目在唐華錦博士的研究組裡從 2010 年就開始研究。我從 2011 年 6 月進入唐華錦博士的神經計算組到 2015 年 2 月離開，工作了接近四年時間。各個研究方向其實劃分的很細，神經認知方向和我們常說的人工智慧雖然志在解決相似的問題，但是採用的方法和思路確實差異很大。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！