在一个充满对立观点的世界里，让我们关注一件我们都能达成共识的事情：如果我给你看我的钢笔，然后把它藏在背后，我的钢笔仍然存在鈥攅即使你再也看不见了。我们都同意它仍然存在，而且它的形状和颜色可能与它在我身后出现之前的形状和颜色相同。这只是常识。
这些物理世界的常识定律为人类所普遍理解。甚至两个月大的婴儿也有这种理解。但科学家们仍然对我们如何实现这一基本认识的某些方面感到困惑。我们还没有开发出一种可以与一般发育中婴儿的常识能力相匹敌的计算机。
普林斯顿大学路易斯·皮洛托及其同事的新研究鈥攚我正在为《自然-人类行为》的一篇文章复习鈥攖朝着填补这一差距迈出了一步。研究人员创建了一个深度学习人工智能（AI）系统，该系统了解了物理世界的一些常识定律。
这些发现将有助于建立更好的计算机模型来模拟人类的思维，方法是用与婴儿相同的假设来完成任务。
孩子气的行为
通常，人工智能模型从一张白板开始，在具有许多不同示例的数据上进行训练，模型从这些示例构建知识。但对婴儿的研究表明，这不是婴儿所做的。婴儿不是从头开始建立知识，而是从对物体的一些原则性期望开始。
例如，他们期望如果他们关注一个隐藏在另一个对象后面的对象，第一个对象将继续存在。这是一个核心假设，使他们朝着正确的方向前进。随着时间的推移和经验的积累，他们的知识变得更加精益求精。
Piloto及其同事令人振奋的发现是，一个模仿婴儿行为的深度学习人工智能系统的性能优于一个从白板开始并试图仅基于经验学习的系统。
立方体滑动和球进入墙壁
研究人员比较了两种方法。在blank slate版本中，AI模型提供了对象的多个视觉动画。在某些示例中，立方体会从坡道上滑下。在另一些例子中，球弹到墙上。
该模型从各种动画中检测出模式，然后测试其使用对象的新视觉动画预测结果的能力。该性能与在体验任何视觉动画之前内置了“原则性期望”的模型进行了比较。
这些原则是基于婴儿对物体行为和交互的期望。例如，婴儿希望两个物体不应相互穿过。
如果你向婴儿展示了一个魔术，而你违反了这一预期，他们就可以发现魔术。与预期结果的事件相比，他们通过更长时间观察具有意外或“神奇”结果的事件来揭示这一知识。
婴儿还希望物体不能只是眨眼进出。他们还可以检测到何时违反了这一预期。
Piloto和同事发现，从空白板开始的深度学习模型做得很好，但基于婴儿认知启发的以对象为中心的编码的模型做得更好。
后一种模型可以更准确地预测对象将如何移动，更成功地将预期应用到新动画中，并从较小的示例集中学习（例如，它在相当于28小时的视频后实现了这一点）。
天生的理解？
很明显，通过时间和经验学习很重要，但这并不是全部。Piloto和他的同事们的这项研究有助于洞察一个古老的问题，即什么可能是人类天生的，什么可以学习。
除此之外，它还为感知数据在人工系统获取知识时所起的作用定义了新的界限。它还展示了对婴儿的研究如何有助于构建更好的模拟人类思维的人工智能系统。
本文是根据知识共享许可证从对话中重新发布的。阅读原文。