想象一下，你身处一个陌生的城镇中心。即使你最初对周围环境并不熟悉，你也可以探索周围环境，并最终在脑海中绘制出周围环境的地图——建筑物、街道、标志等相互之间的关系。

大脑构建空间地图的能力是人类更高级认知类型的基础：例如，有理论认为语言被编码在大脑中类似地图的结构中。

尽管尖端人工智能和神经网络能够做到一切，但它们无法凭空构建地图。

“人们觉得，即使是最先进的人工智能模型也还不是真正的智能，”计算生物学助理教授兼Heritage医学研究所研究员MattThomson说道。“它们不能像我们一样解决问题;它们无法证明未经证实的数学结果或产生新的想法。我们认为这是因为它们无法在概念空间中导航;解决复杂问题就像在概念空间中移动，就像导航一样。人工智能更像是记硬背——你给它一个输入，它会给你一个回应。但它无法综合不同的想法。”

汤姆森实验室的一篇新论文发现，神经网络可以通过一种称为预测编码的算法来构建空间地图。这篇论文于7月18日发表在《自然机器智能》杂志上。

在研究生JamesGornet的带领下，两人在游戏Minecraft中构建了环境，融合了树木、河流和洞穴等复杂元素。他们录制了玩家随机穿越该区域的视频，并使用该视频训练配备了预测编码算法的神经网络。他们发现神经网络能够学习Minecraft世界中的物体如何相互组织，并且能够“预测”在空间中移动时会出现什么环境。

更重要的是，该团队“打开”了神经网络(编码相当于“检查引擎盖下”)，发现各种对象的表示在空间上是相对于彼此存储的-换句话说，他们看到了存储在神经网络中的Minecraft环境的地图。

神经网络可以导航人类设计师提供的地图，例如使用GPS的自动驾驶汽车，但这是神经网络首次被证明可以创建自己的地图。这种空间存储和组织信息的能力最终可以帮助神经网络变得“更聪明”，使它们能够像人类一样解决真正复杂的问题。

Gornet是加州理工学院计算与神经系统(CNS)系的一名学生，该系涵盖神经科学、机器学习、数学、统计学和生物学。

“CNS项目确实为詹姆斯提供了一个独特的工作平台，这是在其他地方不可能实现的，”汤姆森说。“我们采用生物启发式机器学习方法，使我们能够在人工神经网络中逆向工程大脑的特性，我们希望反过来了解大脑。在加州理工学院，我们有一个非常欢迎这类工作的社区。”