新技术让 AI 更好地理解物理学

人工智能已经能够通过强化学习发展出对物理学的理解有一段时间了，但麻省理工学院研究人员开发的一种新技术可能有助于工程师设计出能够直观地理解物理学的模型。

心理学研究表明，人类在某种程度上对物理学定律有着直观的理解。婴儿对物体如何相互作用和移动有着预期，如果这些预期被违反，婴儿会感到惊讶。麻省理工学院团队的研究不仅有可能推动人工智能的新应用，还有助于心理学家了解婴儿如何感知和学习周围的世界。

麻省理工学院团队设计的模型称为 ADEPT，它通过对物体在物理空间中的行为进行预测来工作。该模型观察物体并跟踪一个“惊讶”指标。如果发生意外的事情，模型会通过增加其惊讶值来响应。例如，物体瞬间消失或瞬间移动到另一个位置，这些看似不可能的行为都会导致惊讶值大幅增加。

研究团队的目标是让他们的模型注册与人类看到物体以不合理的方式行为时相同的惊讶水平。

ADEPT 有两个主要组件：物理引擎和逆向图形模块。物理引擎负责预测物体将如何移动，预测物体在一系列可能状态下的未来表示。与此同时，逆向图形模块负责创建将被输入到物理引擎的物体表示。

逆向图形模块跟踪多个属性，例如速度、形状和物体的方向，提取这些信息从视频帧中。逆向图形模块只关注最重要的细节，忽略那些不会帮助物理引擎解释物体和预测新状态的细节。通过关注最重要的细节，模型能够更好地推广到新的物体。物理引擎然后使用这些物体描述来模拟更复杂的物理行为，例如流体或刚性，以预测物体应该如何行为。

在这个输入过程之后，模型观察到视频中的实际下一帧，它使用这个信息来重新计算其概率分布，以便预测物体行为。惊讶与事件发生的概率成反比，只有当模型认为应该发生的事件和实际发生的事件之间存在重大差异时，才会注册很大的惊讶。

研究团队需要一种方法来比较他们的模型的惊讶和人们观察相同物体行为的惊讶。在发展心理学中，研究人员经常测试婴儿通过向他们展示两种不同的视频。在一种视频中，物体表现得像在现实世界中预期的那样，而在另一种视频中，物体违反了物理学定律。研究团队采用了相同的基本概念，让 60 名成年人观看 64 个不同的视频，展示预期和意外的物理行为。参与者然后被要求在视频中的各个时刻对他们的惊讶进行评分，评分范围从 1 到 100。

对模型性能的分析表明，它在物体被移到墙后面并在墙被移除后消失的视频中表现得很好，通常与人类的惊讶水平相匹配。在人类没有表现出惊讶但可能应该表现出惊讶的视频中，模型也似乎很惊讶。例如，要让物体以一定速度移动到墙后面，然后立即从墙的另一侧出来，物体必须要么瞬间移动，要么速度大幅增加。

与传统神经网络相比，传统神经网络能够从观察中学习，但不能明确记录物体的表示，研究人员发现 ADEPT 网络在区分令人惊讶和不令人惊讶的场景方面更准确，并且其性能更符合人类的反应。

麻省理工学院研究团队旨在进行更多的研究，以更深入地了解婴儿如何观察周围的世界和从这些观察中学习，并将他们的发现融入新的 ADEPT 模型版本中。