计算神经科学和类脑智能是人工智能与神经科学的前沿交叉领域。其中类脑智能计算理论被列入国务院发布的《新一代人工智能发展规划》的八个基础理论之一。围绕这两个研究领域，中国科学院沈阳自动化研究所机器人学国家重点实验室斯白露研究团队近期在记忆的神经机制和类脑导航研究方面取得了突破。

记忆是动物的核心高级认知功能之一。神经科学对记忆神经环路的研究初步揭示了记忆形成和提取的关键机制。20世纪70年代以来约翰·欧基夫、梅·布丽特·莫泽尔和爱德华·莫泽尔分别发现哺乳动物海马体中的位置细胞(Place Cells)能记忆环境中的特定位置，内嗅皮层及相关区域的栅格细胞(Grid Cells)能为导航提供坐标系。这些发现表明海马体、内嗅皮层及相关区域构成了大脑内在的空间定位系统，他们因此获得了2014年的诺贝尔生理学、医学奖。

斯白露和美国霍华德休斯医学研究所珍尼亚研究院的合作者对海马体CA3区域中位置细胞的集群放电现象进行了建模。他们的实验研究发现，与以前的观点不同，CA3区域的锥体神经细胞并不是单一种类的细胞，而是分化成形态、放电特性和连接结构都不同的两类细胞，分别是规则发放型细胞和爆发式发放型细胞。他们采用计算神经科学的方法为两类锥体神经细胞和抑制型中间神经细胞建立模型，在此基础上构建连续吸引子脉冲神经网络模型，用于模拟记忆的提取过程。模型利用两类锥体神经细胞的放电特性的分化以及突触的短时程可塑性再现了海马体CA3区域的尖波放电现象。尖波放电是海马体CA3区域产生的集群放电，在记忆的提取、记忆的固化中起到重要作用。这个理论模型提出了记忆提取的一种神经计算机制，为构建类脑感知和记忆系统提供了理论依据。

在类脑导航领域，博士生曾太平在斯白露指导下利用栅格细胞的神经编码机制，构建了位置和速度联合编码的栅格细胞神经网络模型，在大规模室外环境中完成机器人自定位和地图构建。他们建立的栅格细胞神经网络能够形成稳定的吸引子，利用神经动力学机制整合感知和运动输入，在大规模环境中能稳定地编码空间位置，表现出较好的鲁棒性。由于模拟了栅格细胞的编码机制，该模型中细胞的工作机理清晰，克服了深度学习神经网络难解释、难理解的黑箱局限性。

近年来，记忆神经环路的神经计算机制得到人工智能研究者的关注。比如谷歌的DeepMind团队利用监督学习的方式生成类似栅格细胞的位置编码用于导航。可以预见，大脑记忆的神经机制将会进一步启发和推动类脑智能的研究。(生物谷Bioon.com）