人类婴儿在检测其他人行为的动机方面优于人工智能
“成人甚至婴儿都可以轻松地对驱动他人行为的因素做出可靠的推论，”纽约大学研究员莫伊拉狄龙博士说。
“当前的人工智能发现这些推论具有挑战性。”
“让婴儿和 AI 面对面地完成相同任务的新颖想法使研究人员能够更好地描述婴儿对其他人的直觉知识，并提出将这些知识整合到 AI 中的方法。”
同样来自纽约大学的 Brenden Lake 博士说：“如果 AI 旨在培养像人类成年人一样灵活、常识性的思考者，那么机器应该利用婴儿在检测目标和偏好方面拥有的相同核心能力。”
众所周知，婴儿对其他人着迷——他们注视他人以观察他们的行为并与他们进行社交互动的时间就证明了这一点。
此外，以往的研究关注婴儿的常识心理学——他们对他人行为背后的意图、目标、偏好和理性的理解——表明婴儿能够将目标归因于他人，并期望他人理性有效地追求目标。
做出这些预测的能力是人类社会智能的基础。
为了对人类和人工智能的能力差异有一个基本的了解，研究人员对 11 个月大的婴儿进行了一系列实验，并将他们的反应与最先进的学习驱动神经网络产生的反应进行了比较楷模。
为此，他们部署了之前建立的婴儿直觉基准 (BIB)——六项探索常识心理学的任务。
BIB 旨在允许测试婴儿和机器智能，允许比较婴儿和机器之间的性能，并且重要的是，为构建类人人工智能提供经验基础。
具体来说，Zoom 上的婴儿观看了一系列简单动画形状的视频在屏幕上移动——类似于视频游戏。
这些形状的动作通过检索屏幕上的对象和其他动作来模拟人类行为和决策。
同样，科学家们建立并训练了学习驱动的神经网络模型——帮助计算机识别模式和模拟人类智能的人工智能工具——并测试了模型对完全相同的视频的反应。
他们的结果表明，即使在动画形状的简化动作中，婴儿也能识别出类似人类的动机。
婴儿预测这些动作是由隐藏但一致的目标驱动的——例如，在屏幕上检索同一物体，无论它位于什么位置，即使周围环境发生变化，该形状也能有效移动。
婴儿通过更长时间地观察违反他们预测的事件来证明这种预测——这是一种常见的、已有数十年历史的衡量婴儿知识性质的方法。
采用这种“惊奇范式”来研究机器智能，可以直接比较算法对惊奇的定量测量和成熟的人类惊奇心理测量——婴儿的注视时间。
这些模型没有显示出理解此类行为背后动机的此类证据，表明它们缺少婴儿所拥有的常识心理学的关键基本原则。
“人类婴儿的基础知识是有限的、抽象的，反映了我们的进化遗传，但它可以适应婴儿可能生活和学习的任何环境或文化，”狄龙博士说。
研究结果发表在《认知》杂志上。
版权声明：本文由用户上传，如有侵权请联系删除！