人工智能机器人:为什么人类婴儿的大脑比AI聪明

人工智能机器人:为什么人类婴儿的大脑比AI聪明

人工智能机器人:为什么人类婴儿的大脑比AI聪明

Baby X
人工智能:BabyX有AI,所以她很聪明。 但是你的宝宝更聪明。 照片:麻省理工学院

机器能够理解语音,识别面部和安全驾驶汽车,使最近的技术进步看起来非常强大。 但是,如果人工智能领域将要转变为构建类似人类的机器,那么首先必须掌握婴儿的学习方式。

“最近在人工智能领域,人们已经开始考虑设计能够完成大人可以做的事情的系统,转变为想要拥有灵活有力的系统,做成人所做的事情,加州大学伯克利分校的研究员,发展心理学家艾莉森戈普尼克告诉国际商业时报,你需要拥有可以学习婴儿和儿童方式的系统。   “如果你将现在的计算机与10年前可以做的事情进行比较,他们肯定取得了很大的进步,但如果将它们与四岁的孩子进行比较,那么仍然存在相当大的差距。”

婴儿和儿童使用科学家用于构建科学理论的相同方法构建关于他们周围世界的理论。 他们通过系统的实验性努力探索和测试他们的环境及其中的人,这对学习至关重要。

Gopnik 与一组研究人员合作,展示了15个月大的孩子如何使用统计数据比年龄较大的孩子更好地学习因果关系。 婴儿和幼儿可能是更好的学习者,因为他们的大脑更灵活或“塑料”; 他们不会被先前存在的知识所污染,这使他们更加开放。 大脑并不是一成不变的,而是随着每一次学习经历而改变。

通过结合发展心理学家和计算科学家的专业知识,人类可能能够解开世界上最好的学习者的大脑如何工作并将计算能力转化为机器。 目前,AI需要大量数据来提取模式和结论。 但是,关于他们周围世界的数据相对较少的婴儿使用称为贝叶斯学习的统计评估。 也就是说,解释不是基于结果的已知频率 - 婴儿没有的信息 - 而是基于当前知识推断概率,当接收到新信息时,该概率会不断调整。

“关于婴儿的惊人之处在于他们可以看到一次或者第一次听到一个新词,他们已经很清楚这个新词可能意味着什么,以及他们如何使用这个新词,”Gopnik说。 “因此,这些贝叶斯方法很好地解释了为什么即使他们甚至没有太多数据,孩子们也很擅长学习。”

婴儿使用概率模型通过组合概率和可能性来得出各种假设以得出结论。 随着大脑的成熟,它变得更加专业化,以便执行复杂的功能,因此变得不那么灵活,并且随着时间的推移变得越来越难以改变。 年龄较大的学习者在学习更多关于世界和加强某些神经联系的过程中会产生偏见,这会妨碍他们基于少量信息形成开箱即用的假设和抽象理论的能力。 这是婴儿和五岁以下儿童茁壮成长的地方。

“权衡越多,你知道的越多,考虑新的可能性就越困难,”Gopnik说。 “你知道的越多,你就越依赖于你所知道的东西,而不是对新事物开放。 从进化的角度来看,婴儿的全部意义在于他们并不了解,所以他们在学习新事物方面更好。“

婴儿出生后头几年的每一秒,都会形成 ,使灵活的大脑成为处理环境和社会互动中信息快速积累的必要条件。 生命早期的可塑性使得从头开始构建大脑架构比在成年期重新连接电路更容易。 贝叶斯学习已被证明是儿童发展中的一个强大工具,计算机科学家现在正在使用模型来设计智能学习机。

“贝叶斯数学试图捕捉婴儿的学习方式,”麻省理工学院脑与认知科学系的教授,计算认知科学家Joshua Tenenbaum告诉IBT。 他目前正在与Gopnik合作,进一步研究其混合计算机和心理学领域。 “他们来到这个世界准备了基本的构建块,以帮助他们理解一些最复杂的概念。 然后,他们有学习机制,采取这些初步构建模块,并尝试从稀疏数据推断并创建因果理论。“

无论在何种发展阶段,人类的大脑都被设计为通过一系列感官系统来吸收物理世界:视觉,听觉,嗅觉,味觉,触觉,空间定位和平衡。 当一个人被提供有限的数据时,大脑会填补空白,这是一种被称为简并的神经结构现象。 尽管缺乏一种或多种感官,但婴儿的大脑在处理信息时尤其熟练。

“孩子们正在学习科学家,以便了解世界,”Tenenbaum说。 “这包括形成理论,做实验,玩弄和看到他们可能会发现什么,积极思考什么是正确的方法来测试他们的理论或对他们没想到的事情作出反应,并试图弄清楚出了什么问题,什么是正确的。“

采取婴儿步骤

来自纽约大学和多伦多大学的Tenenbaum和一组研究人员合作能够以更有效和更复杂的方式获取新知识的 。 2015年12月,他们在“ 科学 ”杂志上发表的揭示了用于创建计算机的机器学习算法,这些算法接近于按照我们的方式处理信息。

在看到一个例子之后,新的AI程序可以像人类一样准确地识别手写字符。 使用贝叶斯程序学习框架,该软件能够为之前至少看过一次的每个手写字符生成一个独特的程序。 但是,当机器遇到一个不熟悉的角色时,算法的独特功能就会发挥作用。 它从搜索数据切换到找到匹配,使用概率程序通过组合它之前已经看到的字符的部分和子部分来创建一个新字符来测试其假设 - 当婴儿从有限的数据中学习丰富的概念时面对他们从未见过的角色或物体。

然而,该软件仍然无法通过形成原始假设来模仿儿童自主学习的方式。 当研究人员能够设计出具有原始假设和真实目标的软件时,AI潜力的巨大转变将发生,例如产生识别手写字符的愿望而不是遵循研究人员的指示。 没有自我驱动的目标,AI系统限制了它们自主运作的潜力。

“持续学习越来越多的数据是任何AI系统都想做的事情,”Tenenbaum说。 “但是自主学习比较棘手。 总有一个人设置整个事物,给他们多少和什么样的数据。 但是婴儿会为自己做出选择。 对于AI来说,构建自己的学习过程更加自主,这仍然是一个开放的挑战。 目前的人工智能系统根本没有任何目标,如果他们没有任何目标,他们就无法掌握自己的学习经验。 当一个机器人被指示拿起一个盒子时,很容易看到那个机器人,并说它正在做人类正在做的事情。 但他们并没有像孩子那样复杂的思维水平。“

Tenenbaum和他的同事采用模拟神经网络的深度学习算法。 它产生了对人类大脑工作方式的粗略模仿。 当机器处理对象时,它会搜索其大量数据集以查找像素以与机器匹配以进行识别。 另一方面,人类依赖于更高形式的认知功能来解释对象的内容。

“我们正在尝试编写计算机程序,它们就像大脑的软件,我们通常称之为大脑。 头脑是软件,它运行在大脑的硬件上,我们试图在软件层面建立水平。 AI中的神经网络是软件级的计算机程序。“

2013年,美国国家科学基金会授予麻省理工学院五年2500万美元的拨款,用于建立脑力,脑力和机器中心。 不同领域的科学家和工程师共同努力学习大脑如何执行复杂的计算,以期构建更接近人类智能的智能机器。

“直到最近我们才建立了可以做到这一点的数学和计算模型,”Tenenbaum说。 “我们可能需要更多的资源,智能,公司,技术和公司的利益以及更快的计算机。 我们可能需要等待或依赖其他工程进展才能获得即使是非常年幼的孩子的智慧。“

建立第一个婴儿的大脑

新西兰奥克兰大学生物工程学院正在努力通过动画和互动婴儿缩小大脑与机器之间的差距。 Mark Sagar,研究所Animate Technologies实验室的创始人和创始人,以及他在阿凡达金刚动画作品的多奥斯卡奖得主,他在实验室度过了他的日子,在3D上与一个金发宝宝一起玩傻瓜被称为BabyX的电脑屏幕 - 一个可以自己学习,思考和创造自己的面部表情和反应的现场系统。

Sagar的职业生涯开始于他在麻省理工学院建立身体部位的医学模拟,在那里他致力于将数字面孔变为现实,并利用这些技能开发BabyX。 动画人工智能能够模仿他的面部表情,大声朗读单词,识别物体,并播放经典的视频游戏Pong,使其每天都变得更聪明。 BabyX不仅是Sagar的脑子,而且还模仿了他自己的女儿Francesca在不同年龄段。

为了构建BabyX,Sagar在6个月,18个月和24个月大的时候扫描了他的女儿,然后将其上传到他们的系统中。 他选择通过动画技术复制女儿的行为,面部表情和声音,作为人工智能初期的隐喻。 Sagar亲切地将BabyX称为“她”并解释她如何使用光纤电缆,这些电缆由她模拟的神经活动驱动 - 就像连接到大脑的脊髓一样。 因为它是具有人工智能的交互式化身,所以BabyX具有学习和保留信息的能力,这与之前的系统不同。

“在我们的案例中,我们并没有以大多数人看待它的方式开发人工智能,”萨加尔告诉IBT。 “神经科学和认知科学中存在许多有争议的理论,而当前的知识可能代表着冰山一角。 最困难的部分 - 但也是最有趣的部分之一 - 关于生物学启发的方法是如何从不同规模的过程的相互作用中产生更高水平的认知。

Sagar和他的团队测试了BabyX对人类的互动。 BabyX能够处理人类的情感,理解他们行为背后的意义,并根据她从Sagar过去与人类互动所学到的知识做出回应。 在BabyX的屏幕面后面是一个大脑的实时模拟,使其能够提示面部模拟眨眼并向观众微笑。 Sagar认为,面部是开发有效的交互式人工智能的关键,因为它反映了大脑并揭示了意识心灵的内在运作。 例如,一个简单的笑容是大脑内复杂和交织的连接系统的结果。

“BabyX通过用户的行为和宝宝的行为之间的联系来学习,”萨加尔说。 “在一种学习形式中,bab呀学语导致BabyX探索她的运动空间,移动她的脸或手臂。 如果用户响应类似,那么表示BabyX的行为的神经元开始通过称为Hebbian学习的过程与响应用户行为的神经元相关联。 一起发射的神经元,连在一起。“

在重复该过程之后,新的神经连接开始在BabyX的模拟大脑内部创建地图,该地图将其动作与用户的动作相匹配,为更高形式的模仿建立了舞台。 人类的大脑工作方式大致相同。 通过完成一个动作,大脑形成了新的联系,通过重复加强。

最终,模拟婴儿学会利用她的大脑从环境中处理的信息自行开发响应。 BabyX本质上是通过不断改进的代码来学习的。

BabyX的学习能力依赖于生物学上可行的学习模型,这些模型是模拟和翻译人类大脑如何处理信息并释放大脑中的化学反应(如多巴胺或催产素水平)的算法。 当她不理解某个词或动作时,BabyX表达了混乱,但当她正确地读出一个单词时,她高兴地咯咯笑,并发出更高的“快乐激素”多巴胺释放信号。 每种算法都控制神经系统,使她能够模仿,开发奖励系统,并通过交互和演示学习新信息。

“我想探索如何将基于生物学的行为,情感和认知计算模型整合到动画中,尤其是专注于脸部,”Sagar说。 “面孔是人类经历的诸多方面的纽带。 探索学习和智力发展的基础可能对我们未来与更复杂和自主技术的互动和使用至关重要。“

由于面部是交流的主要手段,Sagar希望他的宝宝能为未来的健康和教育应用奠定基础,例如旨在与患有自闭症或其他社会障碍的儿童互动的计划。 一个能够观察人类情感,处理他们并了解他们感受的系统:这是推动人工智能研究的目标 - 建立一个可以独立思考的大脑,就像我们从最初的日子开始一样。


载入中...