生物人工智能 - 從具身認知到具身機器人

生物人工智能 - 從具身認知到具身機器人

Editorial: Bio A.I. - from embodied cognition to enactive robotics

https://www.frontiersin.org/journals/neurorobotics/articles/10.3389/fnbot.2023.1301993/full

引言

如果將人腦的連接解開并按順序排列，它們確實會比天空更寬廣，因為它們長達數百公里，可能能夠延伸到月球再返回。如果我們考慮由腦-身體-環境系統產生的智能類型，那么這種涌現的心智可能在復雜組合學方面更為廣闊，其表達能力的頂峰可能存在于語言中，語言以其“有限手段的無限使用”著稱。人工智能和機器學習（AI/ML）領域試圖復制生物學習者的能力，我們努力重現即使是所謂的簡單動物也能靈活應對各種情況的能力。在這個研究主題中，我們很高興收到一系列多樣化的文章，這些文章探討了具身認知和具身智能原則如何可能促進AI/ML的進步，而無需明確的表征、預設的算法或集中控制結構。在接下來的內容中，我們簡要總結這些貢獻，突出一些潛在的影響，并以對AI/ML和更廣泛的認知科學未來可能的發展方向的討論結束。

貢獻總結與評論

請注意，盡管我們盡可能使用作者的原話，但我們強烈鼓勵感興趣的讀者參考原始文章。

在《基于主動推理的文化模式注意力風格的習得》中，Constant等人展示了基于主動推理的視覺覓食模擬，證明了根據驅動感知、行動和學習的文化遺產而形成的注意力風格的習得。本文有力地展示了物質文化如何既能驅動人類思維，又能被人類思維以及注意力模式的建立和重建所驅動。

在《實施植物啟發的機器人學》中，Lee和Calvo建議將植物作為軟體機器人學的全面靈感來源，因為它們具有非中心化、模塊化的結構和高度可塑的表型。與基于系統在觀察窗口內的獨立可操作性的概念不同，植物和其他生物體在支持自我生產動態方面表現出更強的自主功能形式，這創造了它們與“維持系統生存條件的相互作用領域”之間的區別。他們進一步建議，如果這些系統在獲取物質和能量以自我保存方面發揮更積極的作用，那么“生長機器人”領域可能會得到推進。

在《劃分參與：人工心智的感知意義和社會形態化》中，Zebrowski和McGraw認為，正確理解社會認知需要更深刻地理解涉及參與性感知意義（PSM）的互動的性質?！吧鐣螒B化”被提出作為一種區分生物感知者和人工系統的方法，可能允許逐漸將人工智能納入最初具有不對稱社會程度的情境中。PSM和社會形態化不僅被建議為社會機器人學的基礎，而且可能是開發具有通用智能的日益先進的人工智能的潛在強大框架。

在《具身對象表征學習與識別》中，Van de Maele等人展示了如何通過考慮生物體如何實現場景理解，以適應性地操縱和導航對象，并通過利用與世界的主動互動，從他們第一次遇到新情況開始，來為機器人學提供信息。受到神經科學理論的啟發，其中新皮質柱在以自我為中心的參考框架內構建關于對象的預測模型，作者引入了一種皮層柱網絡（CCN）架構。在CCN中，每個對象類別都通過學習在給定動作的情況下像素空間中預期/預測的轉換的生成模型，在自己的參考框架中表示。

在“基于候選對象類別的各自信念進行投票的CCN集成”，這導致在分類可能性過低時創建新的CCN。這種架構在模擬環境中得到了進一步驗證，隨著代理收集更多證據（通過自監督主動學習）并以有利于達到首選觀察/目的地的方式選擇行動，分類得到了改善。

在“具身認知機器人中的情境基礎”，Valenzo等人描述了如何通過為系統提供整合代理相關、環境和任務相關信息的“全局情境”來增強自主機器的行為靈活性。通過這些核心元素的互動，代理能夠（1）基于當前和預期的未來需求（為了學習和掌握偶然性）選擇自我相關的任務，（2）執行任務并持續監控性能，以及（3）根據情境行動周期中的總體預測誤差放棄不成功的任務。關于預測誤差監控，減少的速率被視為整體性能成功的指標，喚起的情緒既作為自主行為的驅動元素，也由全局情境處理的核心元素的互動所塑造。

在“意義問題：自由能原理和人工代理”，Kiverstein等人描述了生物代理如何解決“意義問題”，通過以表達對情境依賴相關性的敏感性的方式行動。借鑒心智-生命連續性和具身認知科學的共同原則，作者認為，強大的自主代理需要穩定的、自我維持的感觀運動互動模式，以便在遇到不同（和不同地）有意義環境時為基礎價值、規范和目標。作者進一步討論了具身認知和自由能原理（FEP）之間的關系，包括這些觀點在根本上不兼容的挑戰，生物系統表現出歷史路徑依賴學習，但自由能最小化代理切斷了這種歷史性。這些FEP代理還顯示出缺乏具身認知自主性解釋中存在的“互動不對稱性”。除了解決這些挑戰外，建議FEP需要具身認知來解決意義問題，而具身認知需要FEP來進行實現代理所必需的組成因素的精確形式建模。

在“避免災難：主動樹突使多任務學習在動態環境中成為可能”，Iyer等人介紹了一種神經網絡架構，以增強具身系統在動態環境中操作的能力，同時靈活適應變化的任務環境，并在沒有災難性遺忘/干擾的情況下持續學習。這是通過結合主動樹突和促進稀疏性的局部抑制系統實現的，因此以特定情境的方式動態限制和路由信息。該架構在幾個基準上進行了測試，包括一個多任務強化學習環境，其中代理必須解決各種操作任務（參見元學習），以及一個任務預測在訓練過程中變化的持續學習設置（參見逆轉學習）。在兩種模擬中，架構都開發了重疊但不同的稀疏子網絡，這些子網絡介導了對多個任務的流暢適應，幾乎不會遺忘，首次展示了在多任務和持續學習方面的高性能。

在“社交神經AI：社交互動作為AI的‘暗物質’”，Bolotta和Dumas引入了一個三軸框架，用于受FEP-AI啟發的生物啟發式AI中的社交學習：（1）受大腦啟發的認知架構模型，如全局工作空間和注意力圖式理論，這些模型連接個體和社會智能；（2）處理認知固有的時間依賴性的動態系統視角；（3）作為復雜交流信號來源的具身性。這些社交互動是高級認知能力的基本元素，但在AI中仍然未被充分探索，構成了理解類人智能的“暗物質”。鑒于我們理解中的這一空白，作者回顧了社交學習在認知發展中的作用以及新興的“社交神經AI”領域。

在“基于習慣的適應性感觀運動圖網絡的目標導向行為”，Woolford和Egbert提出了一個基于習慣的機器人控制器模型，該模型利用具身認知原則通過適應性感觀運動圖（ASM）網絡架構實現代理性。ASM網絡為實驗調查提供了平臺，這些平臺結合了（1）作為歷史軌跡函數生成連續運動活動的機制，以及（2）作為支持更高階感觀運動協調結構的評估機制，這些機制根據其支持強化或削弱這些軌跡。作者在涉及物體辨別的最小認知任務中部署了這些自適應網絡，展示了單個機器人如何通過探索/隨機運動和重復成功的感觀運動協調歷史軌跡（參見運動咿呀學語）來學習。這些機器人展示了學習，而無需明確的表征機制或額外的適應變量，而是根據動作生成機制本身的內部要求進行適應。

在“具身智能：學習智能決策代理認知架構中的平滑應對”，Kronsted等人描述了熟練的動作如何通過經驗變得習慣化和根深蒂固，從而相對于深思熟慮的思想和行動（例如，走路、開車、滑雪、演奏音樂、快餐烹飪）減輕認知負荷。平滑應對行為似乎是自動化的，因為它們是快速的，缺乏反思，對應于Hurbert Dreyfus對海德格爾現象學的描述，涉及“心無旁騖”地吸收在行動中，并處于流動狀態。然而，像John Dewey這樣的實用主義者建議，智能靈活性內置于平滑應對中，使其與自動化不同。作者詳細描述了使用學習智能決策代理（LIDA）系統的概念模型平滑應對，該系統受到意識的全局工作空間理論的啟發，并認為自動化動作序列間歇性地與通過意識介導的動作選擇（通過背側流過程）進行熟練和靈活的調整。為了在混合架構中展示這些原則，引入了自動化動作選擇子模塊，該架構允許具身認知耦合和明確表征的協同組合，以實現更熟練的有意識行為控制。

在“情境神經表征：解決內容問題”，Piccinini認為，基于具身性、嵌入性、具身性和情感（擴展與他們的討論無關）的情境心智方法與神經表征深深交織在一起，這種計算方法“[需要]在其核心具有具身性、嵌入性、具身性和情感?！贝送?，情境性被認為是描述計算以適應性方式塑造的必然性，這些方式（1）構建具有原始語義內容的表征，（2）自動協調神經載體與表征內容，（3）允許內容具有因果效力，（4）允許內容足夠確定，對系統有意義/有用，（5）允許遠端刺激的表征，以及（6）允許錯誤表征的可能性。

在“受具身認知啟發的數學認知模型”，Weinstein等人概述了一個符合具身認知的數學框架，用于自然和人工認知系統，這些系統不將內容豐富的符號表征歸因于代理，而是將神經系統、身體和環境建模為“更大整體不可分割的一部分”。感觀運動系統被視為（可能標記的）“過渡系統”的特例，與確定性自動機有關。還建議了“充分性”屬性的最小充分要求，包括生物體與其環境的最佳調諧，具有足夠的歷史信息空間。

在“使用具身機器人跳出問題解決框架：感觀運動偶然性如何限制新興自主習慣的形式”，Egbert和Barandiaran建議AI應該從“生命系統的不穩定、自我維持的組織”中汲取靈感。他們展示了如何由迭代可變形感觀運動介質控制的機器人能夠實現有組織的習慣生態的自發出現，這些習慣能夠重演適應性行為，習慣在具有相對更大相似性的模態內形成（類似于生物系統的觀察）。這些發現進一步討論了它們與感觀運動偶然性理論、生物學中的適應主義和結構主義解釋的相關性，以及功能主義問題解決方法對AI的潛在局限性。

在“基線差分外在可塑性[（DEP）]控制的可達空間分析”，Birrell等人介紹了一種學習規則，該規則在無目標模擬代理的背景下進行研究，這些代理產生環境意識行為。他們進一步將這種機制擴展到有意行為，以確定“短路DEP”是否可以通過簡單的開環控制在機械臂中生成期望的軌跡，實驗涉及目標到達和圓形運動的瞬態和極限周期動態。

在“AI和社會機器人的設計策略：共振”，Lomas等人探討了共振的物理機制與人類經驗之間的關系，考慮在人機交互中增強這些（可能高度影響）經驗。作者討論了共振作為文化和科學隱喻，并回顧了“同情共振”作為物理機制（包括同步和節奏性鎖定）以及塑造人與非人系統之間互動的“設計策略”。

在“跨尺度的自我關注：具身人工智能的生物啟發方向”，Sims專注于所有生物系統的智能基礎，反映了持續可行性的存在任務。自我關注被引入為“復雜系統的屬性，描述其傾向于帶來與其持續自我維持兼容的狀態”，并且是重述人工系統中類似人類智能的力量（和原則）的潛在手段。

在“注意物質：活性物質、軟體機器人和生物啟發式人工智能的創造”，Harrison等人認為認知現象如記憶、學習、目標導向和決策的實現存在局限性。也就是說，作者描述了認知與其物質性和身體性深深交織在一起，并建議AI的進步可能需要將潛在的物質、生命過程視為不僅僅是可以抽象的“硬件”，而不考慮特定機械實現者的柔軟、活性和可塑細節。簡而言之，“物質對認知形式和功能很重要?！痹凇岸嘀貙崿F2.0”中，物質性使認知成為可能、介導和限制認知，存在條件對理解自主系統如何基于生存、持久和繁殖的存在需求，以目標導向的方式評價、參與和與其環境互動至關重要。

在“重新定義顯著性：節奏精確調制的行動和感知”，Anil Meera等人描述了視覺注意力和顯著性的本質，以及基于當前視覺信息和估計原因之間的互信息的標準解釋如何未能考慮將感知和行動（包括決定下一步在哪里采樣，給定當前信念）聯系起來的循環因果關系。從這個角度來看，顯著性被定義為依賴于不確定性最小化和節奏調度和注意力的基本原則的主動推理過程：精確控制，或給定采樣感覺數據時可以更新信念的信心。換句話說，顯著性與不確定性最小化有關，支持選擇未來的感覺數據，而注意力與節奏精確調制有關。提供了數值實驗來展示狀態和噪聲估計的優勢，以及系統識別和為信息路徑規劃選擇行動。

在“具身性使應對自我引起的感覺刺激的非預測方式成為可能”，Garner和Egbert展示了如何通過具身認知來解釋自我（相對于外部）引起的感覺刺激的感覺減弱。這與基于efference copies的經典解釋形成對比，其中運動命令伴隨著預測該活動可能感覺后果的信號副本，然后從實際感覺輸入中減去。在這項工作中使用遺傳算法來研究非預測解決方案可能可行的情況，在測試的簡單系統中涉及修改紙張以形成或避免自我引起的感覺輸入（而不是預測和過濾它們），有時利用這些自我引起的感覺輸入以獲得更大的控制，所有這些都不需要明確的內部模型。

在“我是（深）藍嗎？音樂制作AI和情感意識”，Novelli和Proksch回顧了AI在創造性和情感藝術努力中的應用，重點是音樂作曲。作者建議，基于當前AI的系統存在局限性，這些系統缺乏“與音樂感知和生產的情感組成部分相關聯的徹底具身、內感受過程”。作者的回顧提出了將現代生成模型的強大能力與更類似人類的情感/內感受處理相結合的嘗試。

在“將自由能原理與量子認知聯系起來”，Gunji等人概述了FEPAI和量子認知之間潛在的沖突。雖然自由能最小化導致經典邏輯命題的布爾格，但量子認知導致量子邏輯命題的正交模格。引入了過量貝葉斯推理，通過粗糙集格技術將二元關系從聯合概率分布中轉換。

在“人類邁出的一小步：從聯合主動推理通信模擬累積文化的出現”，Kastel等人提供了一個引人注目且可測試的深度主動推理社會行為公式和累積文化模擬。文化傳播被描繪為一種雙向通信過程，通過廣義同步在對話者的信念狀態之間引起特定的收斂。社會/文化交流進一步被描繪為主動推理過程，為代理提供了關于與誰進行通信伙伴選擇的選項，從而在確認當前信念和探索社會環境之間引入權衡。累積文化從信念更新的動態中出現，平衡表現為通過選擇性、不確定性最小化的成對交換積極維持信念系統的群體隔離。最后，這些新興平衡的性質（s）在很大程度上取決于每個人的生成模型對其文化生態位的精確加權。

結論

在這段內容中，我們可以看到對于“一個系統如何被認為是受生物學啟發”的定義存在廣泛的視角，其中許多觀點在機器學習中仍然被忽視。例如，人們越來越關注通過模擬環境增強大型語言模型的“多模態”能力以及潛在的“接地”（Driess等人，2023年；Yin等人，2023年）。然而，嘗試借鑒具身認知觀點的方法卻很少見，通常情況下人們假設我們可能能夠依靠足夠規模的擴展來實現新的涌現能力（Silver等人，2021年）。這與諸如發展型社交機器人學等領域的觀點形成對比，這些領域強調為啟動（以及“接地”）系統提供條件，這些系統能夠“把握”生物體與環境之間有意義的互動，并且能夠生成穩健且靈活的模型（Dreyfus，2007年；Tani，2016年；Kolchinsky和Wolpert，2018年；Linson等人，2018年；Bisk等人，2020年；Safron，2021年；Hipólito等人，2023年）。

從激進的具身認知角度出發，有人可能會認為，整個認知主義深度學習領域由于不必要地訴諸于心智-機器隱喻的字面意義，即心智作為字面意義上的信息處理器（van Gelder，1990年；Van Gelder，1995年；Hutto和Hipólito，2021年；Beckmann等人，2023年），其基礎是不穩固的。在他們看來，由于計算和信息過程在獨立于人類（科學）實踐的情況下并不存在于“野外”，這種類比的字面意義推動了一種對自然智能的原始觀點（即使在某些情況下具有操作上的實用性）。然而，我們相信，如果放寬一些通常伴隨這些認知主義觀念的假設，可能會需要一種更具包容性的方法，這些觀念在以更具具身認知的術語重新表述時，可能會變得更加強大（和靈活）。例如，人們可以思考一系列多樣的科學表征來理解生物智能，而不必一定認同被表征的目標具有模型的本體論屬性（Candadai和Izquierdo，2020年；Constant等人，2020年）。這些包括（但不限于）以下表征/建?，F象的模型：

1. 通過分布式吸引子動態對行動-感知循環進行隱含的“表征”和廣義的蟻群算法自編碼，這些動態在可能的行動模式上發揮作用，信息以擴展心智意義上的方式持續地與/卸載到環境中（Clark和Chalmers，1998年；Pfeifer和Bongard，2006年；Heylighen，2016年）。

2. 在共享的潛在工作空間中部分解耦的特征（Bengio，2017年；Thomas等人，2017年，2018年）——可能集中在后內側和頂葉皮層（Safron，2021a年）——可以被描述為神經活動在其上演變的降維流形（Ji等人，2023年）。

3. 通過皮下結構對不同系統-世界狀態可能的穩態后果進行預測建模，這些結構將所有認知扎根于成功生命管理和繁殖的先決條件中（Damasio，2012年；Safron，2021b年；Solms，2021年），從而將個體與系統進化（元）學習聯系起來（Campbell，2016年；Ramstead等人，2018年；Botvinick等人，2019年；Safron，2019年；Wang，2021年）。

4. 通過價值導向的紋狀體-皮層環路對這些系統-世界的估計進行預測建模（從而控制），可以被理解為根據可能的行動模式對這些感知/概念進行條件化。在層次結構的較低層次，這些可能表現為軟組裝的前饋模型聯盟（參考，攤銷和規劃作為推理）（Botvinick和Toussaint，2012年；Kaplan和Friston，2018年）。在中間層次的抽象中，這些可能表現為（可體驗的）具身模擬的模式以及通過相關可供性對感知的結構化（Cisek，2007年）。在更高層次，這些可能表現為（不可直接體驗的）循環活動（或水庫）的模式，其分叉/張量可以靈活地參數化可能的行動模式，并具有評估多種策略的能力（Tani，2016年）。

5. 在海馬體/內嗅皮層系統的時空軌跡中重新表征這些特征（Blouw等人，2016年；Whittington等人，2020年；George等人，2021年；Safron等人，2021年；Bengio等人，2022年；Dumont等人，2023年），從而允許通過可能的狀態轉換在時空上協調大規模動態，為整個代理系統提供服務，可能賦予與“傳統人工智能”和符號認知科學相關的某種圖形表征（Gentner，2010年；Crouse等人，2020年）。

6. 局部對象模型（Kosiorek等人，2019年；Van de Maele等人），這與將皮層柱描述為某種類型的變換器或Numenta的“一千個大腦理論”（Hawkins，2021年）是一致的。盡管尚不清楚每個皮層柱是否都具有完整的以他為中心的對象建模能力（Safron等人，2021年），但這可能是對于能夠在形成時間尺度上告知并被行動-感知循環告知的局部“模塊”而言的，這些模塊能夠實現足夠程度的功能閉合（例如，觸須桶，而不是眼優勢柱）。這是如何通過理解具身認知原則來準確描述涉及“表征”的心智現象的具身認知模型的一個例子。

7. 通過符號/語言能力重新表征這些特征（這些能力本身被實現為部分表達的運動序列/語法的可能行動模式），從而允許根據句法語言的組合性來結構化/穩定/擴展認知，其具有“用有限的手段進行無限使用”的能力。通過提供多級遞歸自指的自我建模，一組額外的涉及“怪圈”的虛擬機（Hofstadter，2007年）被放置在“認知”層次結構之上，從而擴展“認知光錐”，使其確實“比天空更寬”?！醪接懻撘奆riston等人（2023年）。

在這份非窮盡的方法論清單中，可能可以找到一個包容的、潛在的協同的、科學上有價值的折中方案，以調和那些看似不兼容的關于心智理解的理論。這一努力在本系列文章中得到了體現，這些文章的范圍從討論形態計算的中心性和力量，到展示生物啟發神經架構的前景。

值得注意的是，這種更具包容性的立場仍然需要批判性思維，因為我們也會警告不要假設在系統中添加看似生物學特征就必然會改善其智能/適應性功能。鑒于人工智能/機器學習領域中的一些趨勢，這種警告可能特別及時，這些趨勢試圖根據計算能力與能力的“定律”相結合來預測未來的性能增長，尤其是當與將人腦視為“神經網絡”的類比相結合時。當然，大腦確實是神經網絡的一種類型，但它們也有多個異質子系統，這些子系統共同構成了一個控制架構，用于嵌入環境中的具身代理，這些代理在追求有價值的目標時，通常是在智能結構化的社會情感學習課程的背景下發展（或訓練）的（Tomasello，2014年；Veissière等人，2019年；Safron，2021年）。因此，試圖將認知的復雜性簡化為一個“主算法”的嘗試很可能會失敗。

此外，通過智能設計的身體結構及其物理反應傾向所實現的形態“計算”，可能能夠實現大量的智能功能。事實上，這種將計算挑戰“卸載”到身體和環境中的做法，正是我們期望預測處理系統在嘗試以最大效率實現適應性功能時所采取的方式。盡管通過更接近原始感覺模態的動態“解釋掉”預測誤差所需的神經元交易比利用更復雜的模型要少，但如果預測誤差根本就沒有進入神經系統，因為它們已經通過（具身）主動推斷被消除（Ramstead等人，2019年），那么（通過最小化控制論熵）節省的能量就更大了。因此，我們認為，對于具身認知科學而言，最具成果的元先驗/超假設是，當試圖理解生物智能的來源時，應該從觀察行為入手，以及認知是如何從一個系統與其情境敏感的環境的互動中產生的。

我們很榮幸有機會幫助匯集了這一系列關于具身性和環境互動如何在多個層面上為認知提供基礎的多樣化方式。盡管關于系統必須如何具身化才能實現何種程度（和種類）的智能，可能仍存在爭議，但我們甚至可以以這樣的格言作為總結：“沒有身體，就沒有心智。”或者，用已故的偉大詩人瑪麗·奧利弗的話來說：“精神喜歡這樣裝扮：十個手指，十個腳趾，肩膀，以及所有其他部分……它當然可以漂浮，但寧愿深入粗糙的物質。這種空靈而無形的東西，需要身體的隱喻……它需要身體的世界……才能被理解，才能不僅僅是無人之地燃燒的純粹光芒——因此它進入我們……像一顆星星一樣照亮身體深處奇妙的淹沒”（奧利弗，1986年）。

https://www.frontiersin.org/journals/neurorobotics/articles/10.3389/fnbot.2023.1301993/full