☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
论文地址：https://www.nature.com/articles/s41562-022-01394-8
不过，在聊这个项目之前，我们需要先举一个例子便于大家理解。
假如我拿着一根笔站在你面前，然后我把笔藏在身后，你是不是就看不见这支笔了？
但笔肯定还存在，对吧。
这么简单的道理，不光你懂，就连两个月大小的婴儿都明白。
但背后的原因就很耐人寻味了。科学家很好奇，为什么人会天生就懂这个道理？
DeepMind的故事就从这点简单的好奇讲起。
你以为婴儿什么都不懂？
我们把「笔放身后看不见但笔还在」叫做万千物理学常识中的一个，而DeepMind的科学家就是要让AI和小婴儿比一比物理学常识。
普林斯顿大学的Luis Piloto和他的同事开发了一个深度学习AI系统，这个系统可以理解一些物理学世界的常识性规律。
通过这种方式，未来的计算机模型就可以更好的模仿人类思维，用一个有着和婴儿相同认知的模型来解决问题。
通常意义上，任何AI模型一开始都是白纸一张，然后用各种各样的例子来训练这个模型。通过输入的数据和例子，模型产生了知识。
然而科学家指出，婴儿却不是这么个模式。
婴儿学东西并不是从零开始，而是一降生就带着一些对客观事物的预判。
还是拿上面那个藏笔举例子。婴儿天生就知道，笔就算藏起来了也还在。
这是接下来实验的底层逻辑。即：婴儿在出生时就有一些核心的假设，而这些假设会让他们在之后成长的过程中朝着正确的方向发展，而他们的知识也会随着时间的推移、经验的增多变得越来越精炼。
这给了Piloto团队以启示。
Piloto想，一个模仿婴儿行为模式的深度学习人工智能，是不是要比一个一开始白纸一张，单纯靠经验学习的人工智能模型表现要好？
研究人员进一步比较了这两种不同的模式。
他们首先进行的是传统的办法（简称白纸一张）。他们给了AI模型一些物体的视觉动画，让AI进行学习，比方说一个方块从斜坡上滑下来，或者是一个球弹向墙壁。
AI模型检测了这些动画中的运动模式，然后研究人员就开始着手测试，模型能不能预测一些其它物体的运动结果。
而另一边，模仿婴儿的人工智能模型在一开始就有了一些「原则」，而这些「原则」的来源就是婴儿对物体之间运动、交互的一些先天的假设。
举个简单的例子，婴儿知道两个物体不可能穿过彼此，一个物体不可能凭空升起来等等。
模仿婴儿认知的AI——「柏拉图」
而实际上，婴儿先天就知道的物理学常识不止上面提到的这两点。完整版是以下五点：
1. 连续性：物体不会从一个地方传送到另一个地方，而是在时间和空间中有一定的连续路径。
2. 对象持久性：物体在看不见时不会消失。
3. 固体性：物体不会相互渗透。
4. 不变性：对象的属性（如形状）不会更改。
5. 定向惯性：物体运动的路径与惯性原理一致。
基于这五点认知，如果你给婴儿表演个魔术啥的，然后发生了违背他们预设认知的现象，他们是能知道你在整花活的，他们也知道反常识的现象并不是事物本来的样子。
虽然但是，婴儿还是没大一点的孩子见识广，婴儿会长时间观察出现的反常识现象，然后和自己预设的认知进行比对，最终才能得出有人在变戏法的结论。
说到这里不禁想起了一个之前热度很高的视频，爸妈躲在床单后面，上下晃动床单几次之后，藏在床单后面的同时，快速躲到身后的房间里。婴儿在床单消失后没看到爸妈的身影，就会站在那里思索一会儿，琢磨爸妈去哪儿了。
这里还有一个有意思的点。那就是婴儿在看到反常识的现象之后，还会表示出「惊讶」，听起来这是很显然的事，但研究人员把这种独特的表现也复刻到AI那里去了。
有了这些基础，我们再来看实验结果。
Piloto设计的AI模型名叫PLATO（Physics Learning through Auto-encoding and Tracking Objects），也就是「柏拉图」。
PLATO接受了差不多30个小时的视频训练，这些视频展示了物体是如何进行一些简单运动的，然后训练模型来预测这些物体在不同情况下的运动。
有意思的是，模型最终习得了上述提到的五点物理学常识。
而当观看的视频中出现了反常识的现象时，PLATO也能像婴儿一样，表现出一定程度的惊讶。
Piloto和他的同事们发现，传统训练方法（白纸一张）的AI模型表现不错，但是不比不知道，一比吓一跳。模仿婴儿的AI模型PLATO的表现要好的多得多。
因为有了预设认知的加持，后一种模型可以更精确地预测一个物体的运动，可以把预设的认知应用到新的物体运动动画中去，并且训练模型所用的数据集规模也会小一点。
Piloto团队总结到，虽然通过后天学习和经验积累很重要，但这并不是全部。
他们的研究直指一个经典的问题——什么是人类与生俱来的，什么又是后天学习的。
而下一步，就是把这种关于人类的认知应用在AI的研究中。
Piloto已经向我们展示了，新方法的卓越成绩。
但是，Piloto强调，PLATO并不是要设计成婴儿行为模型的，我们只是借用婴儿认知的一些方式来反哺人工智能。
PLATO的仿真系统：前馈感知模块（左）和循环动态预测器模块（右）
温哥华不列颠哥伦比亚大学的计算机科学家Jeff Clune也表示，把AI和人类婴儿的学习方式相结合是一个比较重要的方向。
而此时此刻，Clune正和其他研究人员一道，开发独属于他们的理解物理世界的算法的方法。
作者介绍
Luis Piloto是论文的一作，也是通讯作者。
他于2012年获得罗格斯大学计算机科学学士学位，随后又去普林斯顿大学攻读，并分别于2017年和2021年获得神经科学的硕士和博士学位。
2016年，他正式加入DeepMind，成为一名研究科学家。
