好奇機器人能自學(2/3)

撰文／Diana Kwon｜譯者／鍾樹人
轉載自《科學人》2018年4月第194期

運用肢體幫助學習

我們人類和現今許多AI系統的基本差異在於，我們擁有能行走與活動的身體。嬰幼兒觀察周遭事物，並嘗試用手或腳接觸事物來認識世界。他們自行學會如何走路、說話，以及辨認物體或人。兒童如何能在幾乎沒有任何導引下做到這些事，對發展心理學家和機器人學家來說都是兩個領域研究的關鍵。雙方的合作迸發令人驚喜的深刻見解。

從1990年代後期開始的一連串開創性實驗中，當時任職於日本索尼（Sony）電腦科學實驗室的機器人學家谷淳（Jun Tani）和同事研發出學習基本動作的預測型（prediction-based）神經網路，並把這些演算法應用在機器人測試成效。他們發現，這些機器人可以學會基本技能，例如探索簡單環境、模仿手部動作、聽從「瞄準」或「打擊」這類基本口令。

最近，英國普利茅斯大學的機器人學家坎傑洛西（Angelo Cangelosi）和美國印第安納大學布隆明頓校區的發展心理學家史密斯（Linda B. Smith）證實身體對獲取知識的重要性。史密斯說：「（機器人）的身形以及它能完成事項的種類，會影響它獲取經驗，進而從經驗中學習。」這群科學家主要的測試對象之一是iCub。iCub是身高約90公分的類人形機器人，由義大利技術研究院的一組團隊所打造。它沒有預置程式，科學家能在它身上測試實驗所需的演算法。

2015年一項研究中，坎傑洛西和史密斯等人對iCub設置一套人工神經網路，賦予它學習簡單聯想的功能，他們發現，當物品名稱一直和特定身體動作連結，iCub比較容易記下新字。研究人員不斷把球或杯子拿到iCub的左邊或右邊，它就會把物品和觀察物品的動作（例如抬頭）聯想在一起。接著他們把這個動作和物品名稱配對，一旦這個物品出現在某個特定位置，而不是在多個位置，機器人更容易記得這些基本字彙。

有趣的是，研究人員對16個月大的嬰兒進行相同實驗，獲得了類似結果：當物品和特定動作產生連結，便能幫助嬰兒聯想進而學習字彙。坎傑洛西的實驗室正在研發這項技術，教導機器人更抽象的字彙，例如沒有與特定物品連結的「這」或「那」。

孩童或機器人透過肢體，也能幫助他們習得基本數學技能，例如有研究顯示，不擅長運用手指的孩童，算數能力通常也較弱。2014年一項研究中，坎傑洛西的團隊發現，比起只用數字名稱教導機器人，教導它們以手指算數，人工神經網路更能精確算出數字。

啟動「好奇心」

新奇事物也可幫助孩童學習。2015年刊登於《科學》期刊的一篇論文中，美國約翰霍普金斯大學的研究人員指出，當嬰幼兒碰到不符合預期的事（例如堅硬物體看似穿牆而過），會想去探究原因。簡單說，減少預測誤差的內在動力會幫助他們成長。

法國資訊暨自動化研究院（INRIA）的機器人學家烏德耶（Pierre-Yves Oudeyer）相信，學習過程其實更為複雜。他認為孩童會以驚人的熟練手法主動在環境中尋找更能提供學習機會的物品，例如孩童可能會選擇玩具車，而不是100片拼圖；或許他的知識水準讓他較容易對玩具車產生可驗證的假設。

為了測試這項理論，烏德耶等人對機器人裝設的系統，包含了一項稱為內在動機（intrinsic motivation）的功能–減少預測誤差會獲得獎勵。（對AI來說，獎勵相當於依程式設定透過運算獲得最大化的數值。）愛寶（AIBO）是索尼推出的小型機器狗，具備基本的感覺與動作功能，上述機制能讓愛寶自動尋找最具學習潛力的任務。愛寶能學會基本技能，例如抓住物體、與另一隻機器狗以聲音互動；它不需預置程式就能達成這些特定任務。烏德耶解釋，這個結果是「機器人探索世界的副作用，它的目的是改善預測。」

值得注意的是，即使有眾多機器人經歷類似訓練階段，學習成效仍不盡相同。有些機器人探索較少，有些則較多，最後它們會知道不一樣的事。對烏德耶來說，這些不同的成效顯示，即使機器人搭載相同的人工神經網路並處於類似的學習環境，仍可能獲得不同的技能水準–這很像一般教室裡學生的情形。

最近，烏德耶的團隊透過數值模擬，展示了配備這些預測演算法（與獨特硬體）的機器聲道也能學會語言的基本要素。他現在和美國哥倫比亞大學的認知神經科學家高特里布（Jacqueline Gottlieb）合作，研究這類由預測驅動的內在動機是否也是人類好奇心的神經生物學基礎。烏德耶表示，進一步探究這些模型可以幫助心理學家了解發育障礙孩童的大腦情況。(待續)

(本文由教育部補助「AI報報─AI科普推廣計畫」取得網路轉載授權)