Nature子刊 | 像婴儿一样学习，DeepMind新模型28小时学会物理世界规则

DeepMind 旨在建立一个能够直观学习物理学的模型。

从 AlphaFold 到数学推理，DeepMind 一直在尝试将 AI 和基础科学结合。现在，DeepMind 又创建了一个可以学习简单物理规则的新模型。

发育心理学家测试分析了婴儿如何通过目光来跟随物体的运动。例如，当播放视频中有一个球突然消失时，孩子们会表现出惊讶。

DeepMind 的计算机科学家 Luis Piloto 及其同事希望为人工智能 (AI) 开发类似的测试。该团队使用立方体和球等简单物体的动画视频训练了一个神经网络，该模型通过从大量数据中发现模式来学习。研究论文于 7 月 11 日发表在《Nature Human Behaviour》上。

论文地址： https://www.nature.com/articles/s41562-022-01394-8 数据集地址： https://github.com/deepmind/physical_concepts

该模型通过自动编码和跟踪对象进行物理学习，因此命名为 PLATO (Physics Learning through Auto-encoding and Tracking Objects)。PLATO 接收来自视频的原始图像和突出显示场景中每个对象目标的图像版本。PLATO 旨在开发对象物理特性的内部表征，例如它们的位置和速度。

该系统接受了大约 30 个小时的视频训练，这些视频展示了简单的运动机制（例如一个球从斜坡上滚下来），并开发了预测这些对象在不同情况下行为的能力。特别地，PLATO 学习了连续性和稳固性，保证目标的轨迹是不间断的，物体形状是持久的。随着视频的播放，模型的预测会变得更加准确。

当播放带有「不可能」事件的视频时，例如一个物体突然消失，PLATO 可以度量视频和它自己的预测之间的差异，从而提供一种「惊讶」的衡量标准。

Piloto 说：「PLATO 并非设计为婴儿行为模型，但它可以测试关于人类婴儿如何学习的假设。我们希望认知科学家最终可以使用它来模拟婴儿的行为。」

英属哥伦比亚大学的计算机科学家 Jeff Clune 表示，「将 AI 与人类婴儿的学习方式进行比较是一个重要的研究方向。PLATO 的研究者手工设计了许多赋予人工智能模型优势的先验知识。」Clune 等研究人员正试图让程序开发自己的算法来理解物理世界。

运用发展心理学的知识

为了在 AI 系统中追求更丰富的物理直觉，DeepMind 的研究团队从发展心理学中汲取灵感。研究团队构建了一个深度学习系统，该系统整合了发展心理学的核心见解，即物理学是在离散对象及其相互作用的层面上理解的。

直觉物理学的核心依赖于一组离散的概念（例如，对象的持久性、稳固性、连续性等），可以区分、操作和单独探测。传统的 AI 学习直观物理的标准方法通过视频或状态预测指标、二元结果预测、问答性能或强化学习任务来学习物理世界。这些方法似乎需要理解直觉物理学的某些方面，但并没有明确地操作或战略性地探索一组明确的概念。