AI協助心理學家了解嬰兒的學習方式，機器人可能也有「好奇心」？

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。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。

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。