Jan, 2022

幼儿引导学习：关键时期对多模态 AI 代理的影响

PDF
TL;DR本研究利用强化学习框架研究了 AI 机器人在其学习环境中的关键时期（即类似于人类婴儿大脑发育的阶段），并通过 Toddler-guidance 学习概念建立了一个类似于幼儿学习特点的虚拟环境，研究了在单模式和多模式学习中不同等级的指导方式对 AI 机器人的学习效率的影响，并通过 EAVE 数据集进行验证。结果表明，关键时期内，包含适度指导的多模式学习可以显著提高 AI 机器人的学习效率。
critical periodscognitive developmentai agentsreinforcement learningmultimodal interactions
发现论文，激发创造
  • 儿童对生成式视觉和基于文本的人工智能模型的认知模型

    研究表明，五至十二岁的儿童对于生成式人工智能模型具有积极的态度，他们对于人工智能的认识和使用具有巨大的潜力，并且与真实物体和其他技术概念相比，儿童对生成式人工智能模型的理解仍存在较大的研究空白。

    May, 2024

  • 学习如何学习：一种用于增量学习视觉定位词义的自适应对话代理

    本研究基于强化学习模型，针对生动图像作为学习基础的人机交互场景，训练了一种多模态对话代理，并基于 BURCHAK 语料库对代理进行了交互式学习和评估，在提高分类器准确性的同时，尽量减少学习过程中的人工操作。结果表明，该代理学习策略的性能超过基于手工定制的策略，并能够与人类模拟器有效协同学习。

    Sep, 2017

  • 朝着基于多智能体通信的语言学习

    提出了一种交互式多模态框架，通过协作推理游戏，实现神经网络学习语言，初步实验结果可喜，但需注意避免智能体发展出仅针对游戏有效的特定通信编码。

    May, 2016

  • 研究儿童在 AI 问题形成过程中反映的价值观

    了解儿童在训练 AI 模型（如可教授机器）的界面设计中的设计方式和价值观，可以增加这类活动的影响力，并指导未来技术的设计。在一个共同设计的会议中，一个团队由 5 个 7-13 岁的儿童和成年共同设计师参与了修改后的故事板上的 AI 问题构思活动，他们设想了自己的可教授机器。我们的研究结果利用已有的心理价值框架（Rokeach 价值调查）揭示出儿童如何概念化并嵌入他们自己设计的 AI 系统中以支持他们的日常活动。具体来说，我们发现儿童的设想需要先进的系统智能，例如情绪检测和理解用户的社会关系。这些基础模型可以利用多种模态进行训练，并通过添加更多数据或预测负面例子来修复任何错误。儿童的想法表明他们关心家庭，并期望机器在做出决策之前了解他们的社会背景。

    Sep, 2023

  • 自主多模态细粒度训练助手的工作流：朝向混合现实

    设计了一个自主的工作流程，将人工智能代理与扩展现实应用紧密结合，以进行细粒度的培训，并介绍了一个多模态细粒度培训助手的示例，以乐高积木组装为例，其中融合了语言理解和视觉理解，为用户在扩展现实环境中与智能助手进行无缝互动提供了更智能和高效的解决方案。

    May, 2024

  • 使用多模态深度强化学习训练交互式人形机器人

    通过让人形机器人玩井字棋的学习方法，成功探索了多模态深度强化学习、机器人视觉感知和交互等方向，并利用语音、视觉和手势等方式让机器人在该游戏中实现了高效而自然的交互。

    Nov, 2016

  • 通过关键状态建立适当的信任

    本研究基于关键动作生成模型提出了一种新方法，通过明确展示机器人对此任务关键状态的理解，去帮助用户建立更为准确的机器人策略认知模型，从而提高机器人合作过程中人类的决策效率。

    Oct, 2018

  • 基於内在動機的自我意識代理學習玩耍

    使用神经网络的好奇心驱动内在动机以及采用自我监督的方法，在简单而生态自然的模拟环境中，实现自主环境探索，获取对环境的理解，从而创造一系列复杂的行为，并提高了对象动态预测、检测、定位和识别任务的性能。

    Feb, 2018

  • 从 AI 教练学习赛车：多模态自主驾驶解释对驾驶性能、认知负荷、专业知识和信任的影响

    通过一项前后实验，我们测试了模仿人类驾驶专家指令的人工智能教练解释性沟通对驾驶性能、认知负荷、信心、专业知识和观测学习背景下的信任度的影响。结果表明，人工智能驾驶教练对新手教授性能驾驶技能非常有用，并且信息类型和呈现方式对驾驶表现有影响，需要倾向于设计高效、适合感官的解释性沟通以指导学习过程。

    Jan, 2024

  • 儿童中的元学习引导的能力：对负责任的脑启发式人工智能的影响

    本论文提供了一个新颖的概念框架，包括四个基本的认知机制，这些机制同时协作运作，以实现幼儿元学习（学习的知识和调控）策略的实施。通过讲述核心机制和相关策略的路线图，作为解释发生在发展中大脑中的跨情境学习能力的基础。选择基本的互补过程四元组来共同代表裸骨的元学习架构，可作为模拟类脑学习和解决问题能力的人工智能（AI）系统扩展。利用元学习启动的年轻思维作为类脑计算的模型，本研究进一步讨论了道德基础的人工智能的重要影响。

    Sep, 2023