［汽車之家 資訊］  日前，據外媒報道，美國麻省理工學院（MIT）的研究人員展示了當某種特定的神經網路被訓練執行導航任務時，其能夠理解該項任務真正的因果結構。該項研究能夠提升執行高風險的機器學習代理的可靠性和可信度，如在繁忙高速公路上駕駛自動駕駛汽車。

據悉，此類神經網路能夠直接從視覺資料理解該任務，當在樹木密集或天氣條件變化迅速的地方等複雜環境中導航時，此類神經網路比其他神經網路更高效。該項新研究利用了此前Hasani和其他人的研究，後者展示了一種由液體神經網路細胞構建的、受大腦啟發的深度學習系統-神經迴路策略（Neural Circuit Policy，NCP），如何透過只有19個控制神經元的網路自動控制一輛自動駕駛汽車。

研究人員觀察到，執行車道保持任務的NPC在做出駕駛決策時，會將注意力集中在道路的地平線和邊界上，這與人類駕駛汽車時的做法相同，而所研究的其他神經網路並不會總會關注於道路。他們發現，當一個NCP在接受完成一個任務的訓練時，該神經網路學會與環境互動，並理解干預行為。從本質上看，該網路能夠識別其輸出是否被某種干預所改變，然後將因果聯絡在一起。

在訓練過程中，該網路向前執行以生成輸出，然後返回執行以糾正錯誤。研究人員觀察到，NPC會在前向執行和後向執行模式中將因果關係關聯起來，從而可以使該網路能夠將注意力集中在真正的因果結構上。

研究人員發現，在天氣好的情況下，NPC在較簡單任務上的表現與其他神經網路一樣好，但在更具挑戰性的任務上，如在暴雨中跟隨移動的物體時，NPC的表現要好於其他神經網路。未來，研究人員希望探索採用NCP來構建更大的系統。將成千上萬的神經網路連線在一起，從而讓其處理更復雜的任務。（編譯/汽車之家 馬艾駿）