论文地址：https://www.nature.com/articles/s41562-022-01394-8不过，在谈这个项目之前，我们需要先给举个例子大家就明白了。如果我拿着笔站在你面前，我把笔藏在背后，你会不会看不见笔？但是笔一定还存在吧？这么简单的道理，不仅你懂，连两个月大的婴儿都懂。但背后的原因很耐人寻味。科学家们很好奇，为什么人天生就明白这个道理呢？DeepMind的故事始于这种简单的好奇心。你以为婴儿什么都不懂吗？我们把“笔收起来看不见了，笔还在”，作为物理常识之一，DeepMind的科学家们想对比一下AI和婴儿的物理常识。普林斯顿大学的LuisPiloto和他的同事开发了一个深度学习AI系统，可以理解物理世界的一些常识性规律。这样，未来的计算机模型就可以更好地模仿人类的思维，使用与婴儿具有相同认知的模型来解决问题。一般来说，任何AI模型都是从空白开始，然后使用各种示例来训练模型。从输入数据和示例中，模型生成知识。然而，科学家指出，婴儿不会遵循这种模式。婴儿不是从头学东西，而是天生对客观事物有一些预测。还是拿上面的隐藏笔为例。婴儿天生就知道笔即使藏起来了也还在。这就是接下来实验的底层逻辑。即：婴儿天生就有一些核心假设，而这些假设会使他们在成长过程中朝着正确的方向发展，知识会随着时间的推移和阅历的增加而越来越好。越来越精致。这给了Piloto团队一个启示。Piloto想，模仿婴儿行为的深度学习人工智能会比从一张白纸开始，纯粹凭经验学习的人工智能模型更好吗？研究人员进一步比较了两种不同的模型。他们做的第一件事是传统方法（称为一张白纸）。他们为AI模型提供了要学习的对象的视觉动画，例如从斜坡上滑下的方块，或者从墙上弹起的球。AI模型检测到这些动画中的运动模式，然后研究人员着手测试该模型是否可以预测其他一些物体的运动结果。另一方面，模仿婴儿的人工智能模型从一开始就有一些“原则”，而这些“原则”的来源是婴儿对物体之间的运动和相互作用的一些先天假设。举个简单的例子，宝宝知道两个物体不能互相穿过，一个物体不能凭空升起等等。模仿婴儿认知的AI——“柏拉图”其实，婴儿天生就知道的不止以上两点物理知识。完整版是以下五点：1.连续性：物体不是从一个地方传送到另一个地方，而是在时空上有一定的连续路径。2.对象持久性：对象在视线之外时不会消失。3.坚固性：物体不会相互穿透。4.不变性：对象的属性（例如形状）不会改变。5、方向性惯性：物体运动的路径符合惯性原理。基于这五种认知，如果你给宝宝表演魔术什么的，然后出现了违反他们先入为主的认知的现象，他们就能知道你在做整件事，而且他们也知道这个现象是违背他们先入为主的认知的常识不是理应如此。虽然，婴儿不像大孩子那样消息灵通。宝宝会长时间观察出现的异常现象，然后与自己预设的认知进行对比，最后得出有人在耍花招的结论。说到这里，不由得想起之前很火的一个视频。爸爸妈妈躲在床单后面，上下晃动床单几下，一边躲在床单后面，一边迅速躲进了他们身后的房间。当床单消失后宝宝没有看到父母时，他会站在那里想一想，想知道父母去哪儿了。这里还有一个有趣的地方。即宝宝看到不符合常理的现象后，会表示“吃惊”。这听起来很明显，但研究人员将这种独特的表现复制到了AI中。有了这些基础，我们再来看看实验结果。Piloto设计的AI模型叫做PLATO（PhysicsLearningthroughAuto-encodingandTrackingObjects），简称“柏拉图”。PLATO接受了将近30小时的视频训练，这些视频展示了物体如何进行一些简单的运动，然后训练模型预测这些物体在不同情况下的运动。有趣的是，该模型最终获得了上述五点物理常识。而当观看的视频出现异常感现象时，柏拉图也能表现出一定程度的撒娇。Piloto和他的同事们发现，传统训练方式（一张白纸）的AI模型表现不错，但并不比不知道好，而且更可怕。PLATO是一种模仿婴儿的人工智能模型，表现要好得多。由于预设认知的加持，后一种模型可以更准确地预测物体的运动，并且可以将预设认知应用到新的物体运动动画中，而且用于训练模型的数据集规模也很大。会更小。Piloto团队得出的结论是，虽然后天学习和经验积累很重要，但这并不是全部。他们的研究指向了一个经典问题——什么是天生的，什么是后天习得的。下一步是将这种人类认知应用到人工智能研究中。Piloto已经向我们展示了新方法的显着效果。不过Piloto强调，PLATO并不是设计成婴儿行为模型，我们只是借用婴儿认知的一些方式来反馈人工智能。PLATO的模拟系统：前馈感知模块（左）和循环动态预测器模块（右）温哥华不列颠哥伦比亚大学计算机科学家JeffClune也表示，将AI与人类婴儿的学习方式相结合是一个更重要的方向。目前，Clune正在与其他研究人员合作开发他们自己的算法方法来理解物理世界。作者简介LuisPiloto是该论文的第一作者，也是通讯作者。2012年获得罗格斯大学计算机科学学士学位，后赴普林斯顿大学深造，2017年获得神经科学硕士学位，2021年获得神经科学博士学位。2016年正式加入DeepMind成为研究科学家.
