42个AI与机器人大问题之——
「AI如何帮我们理解认知和意识的本质？」
本届大会由腾讯 AI Lab 携手Nature Research（自然科研）及旗下《自然-机器智能》、《自然-生物医学工程》两本期刊联合举办。大会上将发布「42个 AI 与机器人大问题」报告，并邀请 11 位世界知名学者为这些宏大问题给出每个人独特而深刻的理解与答案。在报告中，我们还邀请到 Yoshua Bengio、Jürgen Schmidhuber和多位中国院士提供专家见解，也欢迎你参与报告调研。
長井志江（Yukie Nagai）现为东京大学国际高等研究所神经智能国际研究中心教授，并领导着认知发展机器人学实验室（長井实验室）。
自1999年以来，長井一直致力于认知发展机器人研究，她的研究兴趣是社交能力的发展机制，例如联合注意（joint attention）、模仿和语言使用，通过计算建模和评估人工系统来理解人类的认知发展及潜在的神经机制。
基于長井的预测学习理论，她领导的团队正为机器人设计神经网络模型以习得认知能力，如自我认知，他人意图和情感的评估，利他主义等。她和团队开发出的一个模拟器能够重现自闭症谱系障碍（ASD）的非典型知觉，可以让普通人与 ASD 患者都能更好地理解社交障碍的可能原因。这项研究对 ASD 治疗具有重要的价值，也由此在相关领域产生了很大影响。
非典型知觉模拟：为什么ASD社交困难？
自闭症谱系障碍（ASD）患者会遭遇感觉过敏/感觉减退以及社交互动方面的困难。为了理解非典型知觉（atypical perception）的潜在机制及其对社会反应的影响，長井团队对社会环境如何引发非典型知觉的过程进行了计算分析。实验采用视觉和音频处理技术让ASD患者重现他们的经验，从而使研究人员能够客观和定量地对其进行评估。
据Spectrum报道，2014年，長井团队向22名自闭症患者展示了一些视频，内容包括火车站、超市和其他二十多个日常生活场景。参与者对他们观看视频时的视觉效果及强度进行了评定，研究人员将其归结为6种常见的视觉模式：过度曝光、模糊、边缘增强、对比度增强、色彩饱和度降低和视觉雪（visual snow，即眼前出现密密麻麻的小白点或小黑点）。
团队根据研究结果开发出一种头戴式增强现实系统（如下图），模拟再现ASD的视觉世界。他们将参与者的报告与每个场景的特征相关联，如亮度、运动和声级，最终确定计算模拟「对比度增强、色彩饱和度降低和视觉雪」这3种视觉效果。该系统可以帮助科学家们研究非典型知觉对社交能力的影响。
ASD视觉感知模拟器
近年来，一些团队制作了以自闭症患者第一视角出发的视频，让普通人了解他们进入百货商店或者参加家庭聚会时可能遭遇的情况。長井开发的系统将这种体验更拉近了一步，佩戴者可以一边走动一边实时看到AR景象。
Spectrum的记者这样描述佩戴后的感受：
「我戴上模拟器，房间四周的景象显示正常，只是稍微有点滞后。然而，当学生打开模拟器时，長井的脸变得模糊起来，难以识别她的表情。我转过身，立刻被一幅看似抽象的印象派绘画迷住了——这里原来是一个灰色隔间分区。我看看自己的手，折痕类似复杂的指甲花艺术。系统的高对比度设置使得细小的纹理也可以产生。
「在長井的带领下，我在大厅里拖着脚走进停车场。一开始一切都变白了，就像我在一个明亮的日子里摘下了太阳镜。当我转过头或有车开过时，图像的颜色便会消失，仿佛在Instagram上使用黑色滤镜。当我们重新进入建筑物时，突然变暗会使得整个场景释放出暴风雪般的随机斑点，像波尔卡圆点一样。大堂的不均匀照明被强化放大了。明暗区域交替，显示出幽灵般的轮廓。」
由模拟器再现的图像
Satsuki Ayaya是东京大学一名患有自闭症的博士生，她会随着场景变化，向研究人员报告自己的感官体验，情况时好时坏，这些波动能使她意识到自己的病情表征，以及与其他人的不同之处——原本她以为出现「视觉雪」是理所当然的事。了解这些感知差异甚至可以帮助自闭症患者制定补偿策略。「一位参与者告诉我，在她参加实验后，她开始在日常生活中佩戴太阳镜。」長井说，「她还将房间里的灯改为LED系统，以便控制亮度。」
自2015年以来，長井和她的同事在大阪、东京等地，为教师、治疗师和自闭症儿童的父母举办了数十场研讨会，让人们试戴模拟器，并进行讨论。模拟器一方面为急于了解自闭症患者的人（比如父母）提供了身临其境的机会，另一方面也使研究者及患者自己能够更好地理解社交困难的潜在原因。
除了模拟重现自闭症患者的感官世界，長井团队还对这些症状的生理和神经原因进行了探索，以了解其潜在机制。今年7月，長井团队在 Journal of Neurodevelopmental Disorders 上发表论文，报告了对ASD视觉异常所对应的神经特征研究。这也是该领域中首个利用脑磁图技术，以证明视觉异常的严重程度与自闭症儿童较低的衰减率的联系的研究。
22名10岁上下的高功能自闭症儿童和23名同龄正常儿童参与了这项研究。团队用脑磁图测量了分别由原始视觉图像和其他两种类型的明亮图像（点噪声或盲图像，包括重叠粒子到原始图像或增强亮度的版本）所引起的皮质反应（即激活强度和衰减比）。结果显示，视力异常的严重程度与ASD儿童的行为问题显著相关。此外，团队还发现在ASD患儿左侧缘上回（SMG）和颞中回的原始图像中，皮质激活增加。然而，在初级视觉和内侧眶额皮质中没有组间差异。当根据图像类型比较皮质反应时，与右侧SMG的原始图像相比，ASD儿童对明亮图像的激活强度衰减小于正常儿童。这些衰减比也与视觉异常的严重程度相关。
该研究表明，刺激驱动的神经抑制功能障碍在自闭症儿童视觉异常的神经机制中起着至关重要的作用。这些研究结果有助于了解自闭症儿童视觉异常的潜在机制，启发更有效的诊断和早期干预。
认知镜像：理解并协助发展障碍治疗
自2016年12月以来，長井领导着一个名为「认知镜像」的JST CREST项目。该项目旨在开发使人类认知过程可观察的认知镜像系统。基于人脑的预测编码在认知中起着至关重要的作用，团队计划通过整合计算建模方法和Tojisha-kenkyu（发展障碍的第一人称视角研究）来更好地理解发展障碍的原理和机制。
发展障碍（Developmental disorders），也称心理发展障碍，分为特殊性发展障碍和广泛性发展障碍。前者涉及语言障碍 （表达型语言障碍、失语症等）、学习障碍（阅读／书写障碍、古斯曼综合征)和运动机能障碍，后者包括自闭症、蕾特氏症、亚斯伯格症候群等。
前文所述的ASD研究也隶属于CREST认知镜像项目。基于预测编码理论设计的认知镜像系统将通过自我理解和社交共享认知过程来帮助发展障碍患者。
作为认知科学的一个著名理论，预测编码被认为是人脑的核心机制。该理论认为大脑试图将环境传入的感官信号与通过经验获得的内部模型产生的自上向下的预测误差最小化。也就是说，大脑会根据经验和关于世界的内部模型形成一个某种环境下可能产生什么体验的预测，并将该预测和下层感官传入的实际信息进行对比，解释预测误差。比如，我们知道桌子应该有4条腿，即使桌子被挡住了一部分，我们仍可能做出正确判断。如果预测误差无法得到合理解释，那么会被反馈回高层，调整内部模型以降低预测误差。感知、运动控制、记忆等大脑功能，都依赖于大脑对现有经验和未来期望的比较。
長井团队的研究基于预测编码的复发神经网络是否以及如何复制在发展障碍中观察到的非典型行为，其中引入网络参数的修改以模拟其非典型脑功能。此外，他们还仔细分析了网络的内部表征，以揭示其非典型行为的潜在神经机制。
長井今年3月在 Philosophical Transactions of the Royal Society B: Biological Sciences 上发表文章，阐述了感觉运动信号的预测性学习在早期认知发展中的关键作用。她对预测编码理论进行了扩展，提出两种最小化预测误差的机制导致婴儿早期认知能力的发展：更新不成熟的预测器以改进自己的感觉运动能力，并执行由预测器估计的动作以响应他人的行为。机器人系统的实验证明了基于上述机制的认知能力，例如基于第一种机制获得了自我认知和目标导向行为的能力，而基于第二种机制出现了模仿和亲社会行为。長井的研究进一步揭示了自闭症谱系条件的潜在机制，即对预测误差的非典型容忍是ASD患者在知觉和社交上遭遇困难的原因。
AI如何模拟和协助包括自闭症在内的发育障碍患者？又是如何帮助我们理解认知和意识本质的？9月2日，長井将在AI与机器人大会上带来她更详细的答案。让我们一起期待吧。
｜演讲摘要
《模拟及协助自闭症谱系障碍者的AI》
AI that simulates and assists people with autism spectrum disorder
自闭症谱系障碍（ASD）是一种以社交沟通困难为特征的神经发育障碍。然而，最近的研究表明，他们的核心问题在于感觉运动处理，而非社会认知。本演讲将介绍我们设计的可模拟和协助ASD患者的人工智能系统算法。神经科学的预测编码理论表明，预测性大脑中的低先验（hypo-priors，又译「经验匮乏」）导致对感官信号更敏感，从而难以适应社交情境，一如在ASD患者中所观察到的那样。受该理论启发，我们一直在研究基于预测编码的神经网络如何复现和预测认知发展及其障碍。我们最近的研究表明，认知能力的多样性可以通过修改控制预测能力的模型参数来实现。ASD 可表示为参数修改的两种极端情况，对应于预测性大脑中的低先验和高先验（hypo- and hyper-priors）。我将进一步展示一种用于模拟ASD中的非典型视觉感知的全新AI技术。
☟ 点击【阅读原文】参加AI与机器人大会
685
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
