江西上饶百亿引导基金招募GP
06-18
雷锋网记者：如果机器智能拥有人类的情感智能，机器智能会超越人类智能吗？最近，微软研究院博客发表了一篇文章《向有情商的人工智能发展》，介绍了人工智能与情商。
雷锋网全文编译如下： 【图片来源：微软研究院博客 作者：微软研究院博客】机器智能领域最近的成功依赖于让核心计算能力做出决策并高效搜索数十亿种可能性。
如果成功，这一系列决策往往表明计算能力正在赶上甚至超越人类智能。
另一方面，人类智能具有高度通用性、适应性、鲁棒性，并且具有目前最先进的机器智能系统无法产生的特性。
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规划。
人类智力在涉及其他人类和生物的场景中大放异彩，总是表现出推理和元推理能力。
人类的智慧也是富有同情心、同理心、善良、有教养的，而且重要的是，能够为了更大的利益而放弃和重新定义使命的目标。
虽然几乎所有机器智能研究都集中在“如何”，但人类智能的特点是能够询问“什么”和“为什么”。
我们的假设是，情商是解锁机器出现的关键，这些机器不仅更普遍、更强大、更高效，而且与人类价值观一致。
人类的情感机制使我们能够执行目前机器无法编程或教授的任务。
例如，我们的交感神经和副交感神经反应使我们保持安全并意识到危险。
我们能够认识到他人的影响并设身处地为他人着想，这使我们能够做出正确的决策并更有效地适应复杂的世界。
饥饿、好奇、惊喜和喜悦等驱动力和影响使我们能够规范自己的行为并确定一系列我们希望实现的目标。
最后，我们表达内心状态的能力是向他人发出信号并可能影响他们的决定的绝佳方式。
【图片来源：微软研究院博客 作者：微软研究院博客】因此，假设将这种情绪智能构建到一个计算框架中，至少需要以下能力： · 识别他人的情绪 · 回应他人的情绪 · 表达的情绪· 在决策中调节和利用情绪历史上，构建具有情商的机器的研究主要是从人机协作的角度开始的，并且主要集中在前三个功能上。
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、摄像头、麦克风等来检测一系列情绪反应。
虽然对于人们脸上的情绪表达和其他生理信号的一致性和统一性，以及这些信号是否真正反映了他们的内心感受存在一些争论，但研究人员已经成功地构建了算法，可用于在嘈杂的信号世界中识别人类表情，并证明这些信号符合社会文化规范。
根据一个人的内部认知状态采取适当行动的能力对于高情商的人来说至关重要。
自动辅导系统、身心健康支持以及提高生产力的应用程序等应用程序是正在进行的工作的重点。
最近一系列关于顺序决策的研究，例如上下文抢劫，正在这一领域慢慢取得进展。
例如，我们自己的研究表明，对饮食管理的情感方面敏感的系统如何帮助受试者做出正确的决定。
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）也能够传达和唤起丰富的情感。
在即将在 ICLR 上发表的“Neural TTS Stylization with Adversarial and Collaborative Games”（《神经TTS与对抗和协作游戏的程式化》）（马爽和 Yale Song 合着）中，我们提出了一种新的机器学习方法来合成人类语音的表现力和真实感。
该架构要求模型生成忠实于文本内容的真实语音，同时保持易于控制的旋钮以独立的方式改变所表达的情感。
我们的模型在多项任务上实现了最先进的性能，包括风格迁移（内容和风格交换）、情感建模和身份迁移（适应新说话者的声音）。
本文提供了一个开源实现。
【图片来源：微软研究院博客 作者：微软研究院博客】虽然过去 20 年来对人工智能系统的识别、表达和干预的研究已经深入，但还有一种更引人注目的智能形式——一种有效利用情感机制来更好地学习并更有效地做出选择的系统。
在最近的工作中，我们希望探索如何构建这种情感机制来帮助我们的计算过程实现比目前更多的目标。
我们最近的工作也出现在 ICLR 中，探讨了基于情感的内在动机的想法，这可以帮助学习决策机制。
人工智能最近在解决围棋、吃豆人和基于文本的角色扮演游戏等游戏方面取得的成功很大程度上依赖于强化学习，其中好的行为会得到奖励，坏的行为会受到惩罚。
然而，对于计算代理来说，学习合理的策略需要在这样的动作奖励框架中进行大量的实验。
我们提议背后的直觉是从人类和其他生物如何利用情感机制来更有效地学习中获取灵感。
当人类学会面对世界时，身体（神经系统）的反应会针对行为选择的潜在后果提供持续的内部反馈，例如在接近悬崖边缘或快速转弯时变得紧张。
生理变化与这些保护自己免受危险的生物制剂有关。
人类对危险情况的预期反应是心率增加、心率变异性降低、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怎么办？ 【图片来源：微软研究院博客 作者：微软研究院博客】在《Visceral Machines: Risk-Aversion in Reinforcement Learning with Intrinsic Physiological Rewards》（《本能机器：在内在生理奖励的强化学习中的风险规避》）一书中，我们提出了一种新的强化学习方法，它挖掘了内在的生理奖励人类战斗或逃跑行为的奖励函数。
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稀疏和倾斜奖励相关的挑战，并有助于提高样本效率。
在我们的例子中，事件的外部奖励对于代理学习来说并不是必需的。
我们在模拟驾驶环境中对其进行了测试，结果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，这些系统可以模拟以情感方式感受和响应刺激的能力。
[图片来源：微软研究博客 所有者：微软研究博客] 许多计算机科学家和机器人专家都渴望建造类似于 KITT 和 R2D2 等流行科幻小说中令人难忘的角色的机器人。
无论如何，有很多机会建立一个全面的情感计算机制，超越以前的可能性，帮助我们建立强大、高效和非短视的人工智能。
我们希望这项研究能让我们重新审视人工智能中情感的使用。
我们希望五月在新奥尔良的 ICLR 上见到您，并期待与您分享想法并就这一激动人心的情商智能体研究领域的可能性进行交流。
雷锋网注：本文编译自微软研究院博客版权文章。
未经授权禁止转载。
详情请参阅转载说明。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-18
06-18
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态