[论文解读] Whole brain Probabilistic Generative Model toward Realizing Cognitive Architecture for Developmental Robots

Tadahiro Taniguchi, Hiroshi Yamakawa+6 more|arXiv (Cornell University)|Mar 15, 2021

Child and Animal Learning Development参考文献 143被引用 4

一句话总结

本文提出了一种全脑概率生成模型（WB-PGM），这是一种受大脑启发的、基于概率生成模型（PGM）的认知架构，旨在在人工系统中模拟类人认知发展。通过整合神经科学见解与概率推理，WB-PGM 实现了终身学习与自适应行为，为通用人工智能提供了计算框架，并为人类大脑功能提供了新见解。

ABSTRACT

Building a humanlike integrative artificial cognitive system, that is, an artificial general intelligence, is one of the goals in artificial intelligence and developmental robotics. Furthermore, a computational model that enables an artificial cognitive system to achieve cognitive development will be an excellent reference for brain and cognitive science. This paper describes the development of a cognitive architecture using probabilistic generative models (PGMs) to fully mirror the human cognitive system. The integrative model is called a whole-brain PGM (WB-PGM). It is both brain-inspired and PGMbased. In this paper, the process of building the WB-PGM and learning from the human brain to build cognitive architectures is described.

研究动机与目标

• 开发一种全面的认知架构，以模拟人类大脑功能与认知发展。
• 将概率生成模型（PGMs）与神经科学数据相结合，实现生物上合理的认知。
• 通过统一的生成框架，实现在人工系统中的终身自适应学习。
• 提供一个计算模型，既支持人工智能，又能揭示人类大脑机制。

提出的方法

• 通过将认知功能映射到大脑区域中的概率生成模型，设计全脑 PGM（WB-PGM）。
• 利用神经解剖学与功能脑数据，指导架构的结构与动态组织。
• 采用贝叶斯推理与概率推理，实现从感官与社会输入中学习。
• 将模型构建为分层模块化系统，支持多层级认知处理。
• 在 PGM 框架内整合发展性学习过程，如好奇心驱动的探索与技能习得。

实验结果

研究问题

• RQ1 如何通过统一的概率生成模型模拟人类大脑的整合功能？
• RQ2 支持人工系统中终身认知发展的架构原则是什么？
• RQ3 如何将受大脑启发的结构与功能约束嵌入基于 PGM 的认知架构中？
• RQ4 概率推理与生成建模在实现自适应学习与推理中起到什么作用？

主要发现

• WB-PGM 在单一概率生成框架内成功整合了感知、注意、记忆与学习等多种认知功能。
• 该模型展示了生物上合理的发育轨迹，模拟了类人学习的发展进程。
• 通过利用大脑解剖结构与功能，WB-PGM 实现了连贯、可扩展且可解释的认知处理。
• 该架构通过持续推理与学习支持自适应行为，与发育机器人学原理保持一致。