好奇机器人能自学(1-3)


好奇機器人能自學(1/3)

科学家藉由模仿孩童探索世界,让机器人自发学会基本技能,而这些研究也协助科学家更加了解大脑运作。


重点提要

幼儿能够自主学习,例如运用肢体或拿东西来玩。机器学家在类人形机器人装设人工神经网路,让它们模拟孩童学习。这类机器人研究正在改变机器人学,并让我们以不同方式了解儿童的心智发展。

2015年科幻电影「成人世界」(Chappie)中,工程师迪昂(Deon)想要创造能思考、有感受的机器人。为了达成这个目的,他写了一套能像孩童一样思考的人工智慧(AI)程式。迪昂的测试对象查皮(Chappie)一开始的心智状态几乎空白;查皮仅靠观察周遭环境并摸索,习得常识、语言以及複杂的技巧–这是今日最先进的AI系统也办不到的任务。

诚然,一些机器在特定任务上的表现已经超越人类,例如可进行「危险边缘」(Jeopardy!)这类益智问答的电玩游戏、下西洋棋和围棋。去年10月,英国深度心智(DeepMind)公司发表了最新一代的围棋AI系统AlphaGo Zero。前一代的AlphaGo要「探勘」人类下过的大量棋局才能精通围棋;AlphaGo Zero则藉由与自己竞赛而自主累积经验,虽然成效出色,却只限于学习规则明确的游戏,而且必须进行上几百万次,才能获得超乎常人的技巧。

相较之下,人类婴幼儿会探索环境,尝试各种活动及练习说话,从婴儿期就开始不断成长。他们累积经验,适应新的状况,并把学会的技能应用到其他方面。

21世纪初,机器人学家、神经科学家和心理学家期望打造能模仿这类自发成长的机器。他们合力打造的类人形机器人(android)可以拿起物品、习得基本字彙和数学技能,甚至显现社会行为的迹象。在此同时,这些AI系统正在协助心理学家了解婴儿的学习方式。

大脑神经讯号的双向传递

好奇机器人能自学(1/3)我们的大脑无时无刻都在预测,并会调整预测以符合现实。举例来说,你第一次遇到邻居养的猫,预期牠就像自己养的狗喜欢与人互动,也会喜欢你抚摸牠,然而当你伸手轻抚这只猫,牠却抓伤你。你调整关于惹人怜爱动物的理论;你可能还推测,若拿东西给猫吃,牠会表现得友善一些。一旦你手上拿着好吃的东西,这只猫确实不再弄伤你、接受你摸牠。下次你遇到毛茸茸的猫科动物,在想要摸牠之前便会拿出一小片鲔鱼。

依照这种方式,大脑中较高阶的处理中心会根据感官接收到的讯号持续调整预测。以我们非常複杂的视觉系统为例,神经细胞会处理影像的基本特徵,接着把这些资讯传递到更高阶区域;此区域诠释景象的整体意义。有趣的是,神经连结也会反向进行:从高阶处理中心(例如顶叶皮质或颞叶皮质)到低阶处理中心(例如主要视觉皮质和外侧膝状核)。一些神经科学家相信,这些「向下」的连结会把大脑的预测传递至较低阶区域,影响我们看到的东西。

关键在于,来自大脑较高阶区域的向下讯号会持续与来自感官的「向上」讯号交互作用,得出预测误差:预测与现实之间的差异(见右栏〈双向讯号调整预测〉)。关于这项误差的讯号会回传到较高阶区域,协助调整预测,以产生新的预测,如此循环不已。美国华盛顿大学的计算神经科学家劳乌(Rajesh P. N. Rao)说:「预测误差的讯号能让视觉系统逐渐判断实际存在的事物。」

当劳乌还是英国罗彻斯特大学的博士生时,他和指导教授、现任教于美国德州大学奥斯丁分校的计算神经科学家巴拉德(Dana H. Ballard)率先在人工神经网路中测试这类预测程式。(人工神经网路是模仿生物神经元机制的电脑演算法,会逐步调整内部参数,依据既有的输入产生所需的输出。)这项计算实验发表于1999年1月《自然.神经科学》,研究人员模拟了视觉皮质中的神经元连结–不但有传递预测的向下连结,也有来自外界的感官讯号的向上连结。他们使用大自然的照片训练人工神经网路,发现人工神经网路能够学会辨识影像的关键特徵,例如斑马条纹。(待续)



上一篇: 下一篇: