【.com快言】当前机器智能领域的成功主要依赖于计算能力，可能会搜索数十亿次以做出更高层次的决策-制作。如果决策成功，往往表明计算能力已经赶上甚至超越了人类智能。人类智能具有高度通用性、自适应性和鲁棒性，即使是当前的机器智能系统也无法产生这些特性。例如，即使存在许多未知变量，人类也能够根据预期结果提前进行重大计划。人类智慧也富有同情心、善解人意、善良、善于培育，而且重要的是，能够为了更大的目标放手并重新定义一些目标。几乎所有的机器智能研究都集中在“如何”上，但人类智能的特点是能够问“什么”和“为什么”。假设情商是解锁智能机器的关键，这些机器不仅更普遍、更强大、更高效，而且符合人类价值观。人类的情感机制使我们能够执行目前无法由机器编程或训练的任务。例如，我们的交感神经和副交感神经反应让我们知道安全并感知危险。我们感受他人影响并设身处地为他人着想的能力有助于我们做出正确的决定并驾驭复杂的关系。饥饿、好奇、惊讶和愉悦等情绪因素使我们能够调节我们的行为并确定我们希望实现的目标。最重要的是，我们能够与他人交流以表达我们的内心状态，并可能影响他们的决策。因此，假设将这种情商构建到计算框架中至少需要以下能力：感受他人的情绪对他人的情绪做出反应表达情绪在决策制定中管理和利用情绪从历史上看，研究已经建立了一个highEQMachines从人机协作的角度主要关注前三个功能。例如，最早的情绪识别研究始于近30年前，当时人们使用生理传感器、相机、麦克风等来检测一系列情绪反应。虽然关于人们是否一致并在他们的面部或其他感官上传达信号，以及这些信号是否真正反映了他们的内心感受存在很多争论，但研究人员已经成功地构建了算法来识别人类表达的信号并证明这些信号符合社会文化规范。能够根据人的内在认知状态采取适当的行动，是具有情商的基本表现。最近对顺序决策的研究正在取得进展。例如，饮食情绪管理系统如何帮助人们做出正确的决定。几十年来，情感表达一直处于计算的前沿。即使是简单的信号（例如，光、颜色、声音）也能够传达和激发丰富的情感。在2019年第7届国际学习代表会议iclr上发表的论文“NeuralTTSStylizationwithAdversarialandCollaborativeGames”中，我们提出了一种新的机器学习方法来合成富有表现力和逼真的人类语音。建筑模型生成逼真的语音，并通过易于控制的表盘独特地改变表达的情感。我们的模型在多项任务中实现了预期的性能，包括内容传输、情感建模和身份传输。本文提供了一个开源实现。图1：神经模型架构虽然AI系统的识别、表示和干预方面在过去20年中得到了深入研究，但还有一种更具吸引力的智能形式——有效利用情感机制的系统——可以更好地学习和更有效地做出选择。我们希望探索建立这样的情感机制来帮助计算机做出比现在更多的决定。最近AI在围棋、吃豆人和基于场景的角色扮演游戏等游戏中的成功在很大程度上依赖于强化学习。在强化学习中，好的行为会受到奖励，坏的行为会受到惩罚。然而，对于学习合理策略的计算模型，需要在这种行动奖励框架中进行大量试验。我们可以从人类和其他生物情感中汲取灵感——如何利用情感机制更有效地学习。当人类学会驾驭世界时，身体（神经系统）反应会为行为选择提供潜在的持续反馈，例如在接近悬崖边缘或在弯道快速行驶时变得紧张。生理变化和心理反应保护自己免受危险。人类对危险情况的预感是心率加快、血液从四肢分流以及汗腺扩张。这是身体的“战斗或逃跑”反应。人类已经进化了数百万年来构建这些复杂的系统。如果机器有类似的反馈系统会怎样？图2：强化学习的新方法在《Visceral Machines: Risk-Aversion in Reinforcement Learning with Intrinsic Physiological Rewards》中，我们提出了一种强化学习的新方法，它利用了人类“战斗或逃跑”行为的内在本质Bonus特征。我们的假设是，这样的奖励函数可以规避强化学习环境中与奖励稀疏和倾斜相关的挑战，并有助于提高样本效率。我们在模拟驾驶环境中对其进行了测试，表明该方法可以提高学习速度并减少学习过程中的碰撞次数。我们对训练自主系统的潜力感到兴奋，这些系统可以模仿以情感方式感受和响应刺激的能力。图3：人体在驾驶过程中记录的生理反应许多计算机科学家和机器人专家都渴望创造出类似于KITT和R2D2等流行科幻小说中令人难忘的机器人形象。然而，构建情感计算机制为我们构建鲁棒、高效和有远见的人工智能提供了一个很好的机会。我们希望这项研究能够重新审视情感在人工智能中的应用。原标题：TowardEmotionallyIntelligenceArtificialIntelligence，作者：DanielMcDuff
