根据谢菲尔德大学的研究结果，通过机器人将人工智能系统连接到现实世界并运用进化原理进行设计是人工智能获得类人认知的最有可能的途径。

当前的人工智能系统，例如ChatGPT，利用大型网络体系来解决困难问题，例如生成易于理解的书面文本。这些网络教导人工智能以类似人脑的方式处理数据，并从错误中学习，以便不断改进和提高准确性。

尽管这些模型与人类大脑有些相似之处，但谢菲尔德的研究人员表示，仍存在重要的差异，这些差异阻碍了它们获得类生物智能。

首先，真正的大脑体现在一个物理系统中，即直接感知和行动世界的人体。身体的存在使得大脑过程在某种意义上具有意义性，而这对于没有身体的人工智能来说是不可能的。这种人工智能可以学习识别和生成数据中的复杂模式，但却缺乏与物理世界的直接连接。因此，这类人工智能没有对周围世界的了解或意识。

其次，人类大脑由多个子系统组成，这些子系统按一定的构架进行组织，这种构架与从鱼到人类的所有脊椎动物类似，但并非适用于人工智能。

谢菲尔德的研究表明，生物智能——就像在人类大脑中一样——之所以发展起来，是因为这种特定的构架以及它如何利用与现实世界的联系来克服挑战、学习并在进化过程中不断提升。根据这项研究，演化和发展之间的这种相互作用很少被考虑到人工智能的设计中。

谢菲尔德大学认知机器人学教授、谢菲尔德机器人学主任Tony Prescott教授说，“ChatGPT和其他大型神经网络模型是人工智能领域令人兴奋的发展，表明学习人类语言结构等真正艰巨的挑战是可以解决的。然而，如果继续使用相同的方法设计这些类型的人工智能系统，它们不太可能发展到像人脑一样完全思考的地步。

"如果人工智能系统是基于类似于人类大脑的学习和改进构架进行构建的，通过利用与现实世界的连接，才更有可能发展出类似于人类的认知能力。机器人技术可以为人工智能系统提供这些连接，例如通过摄像头、麦克风等传感器和轮子、手爪等执行器。这样，人工智能系统就可以像人类大脑一样感知周围的世界并进行学习。"

谢菲尔德学者指出，在为控制机器人开发人工智能方面已经取得了一些最近的进展。例如，一种强有力的方法是使用循环神经网络模型——由多个反馈循环组成的模型——这些模型被训练以更好地预测下一步可能会发生的情况。

这些模型在提高机器人的适应性方面取得了重要进展。然而，该研究表明，在将不同的大脑子系统作为更广泛的认知构架的一部分合作工作方面，机器人人工智能仍有很长的路要走，远远不能像真正的大脑一样。

谢菲尔德大学计算神经科学高级讲师斯图尔特·威尔逊博士表示："近几十年来，通过为机器人制造人造大脑，人们努力理解真实大脑是如何控制身体的，这导致了机器人和神经科学领域的令人兴奋的发展。在回顾了这些主要集中在人脑如何学习上的努力后，我们认为人工智能的下一个突破将来自更密切地模仿真实大脑如何发展和进化。"

 

 

来源：https://techxplore.com/news/2023-06-ai-gain-human-like-cognition-real.html