好奇機器人能自學(1/3)

好奇機器人能自學(1/3)

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


重點提要

  • 幼兒能夠自主學習,例如運用肢體或拿東西來玩。
  • 機器學家在類人形機器人裝設人工神經網路,讓它們模擬孩童學習。
  • 這類機器人研究正在改變機器人學,並讓我們以不同方式了解兒童的心智發展。

2015年科幻電影「成人世界」(Chappie)中,工程師迪昂(Deon)想要創造能思考、有感受的機器人。為了達成這個目的,他寫了一套能像孩童一樣思考的人工智慧(AI)程式。迪昂的測試對象查皮(Chappie)一開始的心智狀態幾乎空白;查皮僅靠觀察周遭環境並摸索,習得常識、語言以及複雜的技巧–這是今日最先進的AI系統也辦不到的任務。

誠然,一些機器在特定任務上的表現已經超越人類,例如可進行「危險邊緣」(Jeopardy!)這類益智問答的電玩遊戲、下西洋棋和圍棋。去年10月,英國深度心智(DeepMind)公司發表了最新一代的圍棋AI系統AlphaGo Zero。前一代的AlphaGo要「探勘」人類下過的大量棋局才能精通圍棋;AlphaGo Zero則藉由與自己競賽而自主累積經驗,雖然成效出色,卻只限於學習規則明確的遊戲,而且必須進行上幾百萬次,才能獲得超乎常人的技巧。

相較之下,人類嬰幼兒會探索環境,嘗試各種活動及練習說話,從嬰兒期就開始不斷成長。他們累積經驗,適應新的狀況,並把學會的技能應用到其他方面。

21世紀初,機器人學家、神經科學家和心理學家期望打造能模仿這類自發成長的機器。他們合力打造的類人形機器人(android)可以拿起物品、習得基本字彙和數學技能,甚至顯現社會行為的跡象。在此同時,這些AI系統正在協助心理學家了解嬰兒的學習方式。

大腦神經訊號的雙向傳遞

我們的大腦無時無刻都在預測,並會調整預測以符合現實。舉例來說,你第一次遇到鄰居養的貓,預期牠就像自己養的狗喜歡與人互動,也會喜歡你撫摸牠,然而當你伸手輕撫這隻貓,牠卻抓傷你。你調整關於惹人憐愛動物的理論;你可能還推測,若拿東西給貓吃,牠會表現得友善一些。一旦你手上拿著好吃的東西,這隻貓確實不再弄傷你、接受你摸牠。下次你遇到毛茸茸的貓科動物,在想要摸牠之前便會拿出一小片鮪魚。

依照這種方式,大腦中較高階的處理中心會根據感官接收到的訊號持續調整預測。以我們非常複雜的視覺系統為例,神經細胞會處理影像的基本特徵,接著把這些資訊傳遞到更高階區域;此區域詮釋景象的整體意義。有趣的是,神經連結也會反向進行:從高階處理中心(例如頂葉皮質或顳葉皮質)到低階處理中心(例如主要視覺皮質和外側膝狀核)。一些神經科學家相信,這些「向下」的連結會把大腦的預測傳遞至較低階區域,影響我們看到的東西。

關鍵在於,來自大腦較高階區域的向下訊號會持續與來自感官的「向上」訊號交互作用,得出預測誤差:預測與現實之間的差異(見右欄〈雙向訊號調整預測〉)。關於這項誤差的訊號會回傳到較高階區域,協助調整預測,以產生新的預測,如此循環不已。美國華盛頓大學的計算神經科學家勞烏(Rajesh P. N. Rao)說:「預測誤差的訊號能讓視覺系統逐漸判斷實際存在的事物。」

當勞烏還是英國羅徹斯特大學的博士生時,他和指導教授、現任教於美國德州大學奧斯丁分校的計算神經科學家巴拉德(Dana H. Ballard)率先在人工神經網路中測試這類預測程式。(人工神經網路是模仿生物神經元機制的電腦演算法,會逐步調整內部參數,依據既有的輸入產生所需的輸出。)這項計算實驗發表於1999年1月《自然.神經科學》,研究人員模擬了視覺皮質中的神經元連結–不但有傳遞預測的向下連結,也有來自外界的感官訊號的向上連結。他們使用大自然的照片訓練人工神經網路,發現人工神經網路能夠學會辨識影像的關鍵特徵,例如斑馬條紋。(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)

views