机器意识的基础元认知架构罗恩·克里斯利[0000−0002−1177−1789]认知科学中心、萨克勒意识科学中心和信息学University of Sussex，Falmer BN1 9QJ，英国ronc@sussex.ac.uk;http：www.sussex.ac.uk/profiles/476抽象。机 器 意 识 的 多种方法强调了元认知状态和过程的重要性。相当数量的认知系统研究者更喜欢非经典符号的体系结构，在这种体系结构中，学习，而不是先验结构，是中心。但是，这些基础架构如何支持所需类型的元认知还不清楚。为了研究这种可能性，这样的架构的基本设计草图。关键词：元认知·次符号计算·认知架构·符号基础·神经网络·机器意识。1动机1.1元认知与机器意识认知在这里被使用，而不是特质，指的是使主体能够对主题（特别是远端和/或抽象的主题）采取适当行动的过程和状态这里，元认知是关于认知的认知：使认知主体能够相对于（特别是但不排他地，它自己的）认知过程和状态适当地行动的过程和状态。一个典型的例子是关于信念的信念（以及随后的推理和行动）。至少有三个不同的原因可以解释为什么元认知模型对意识模型至关重要：1. 元认知可能是意识本身的核心。例如，大多数（如果不是所有的话）意识的高阶思维理论（例如[8]）明确规定，精神状态是一种有意识的精神状态，它是由一种高阶（即元认知）状态所代表的。2. 对意识的某些所谓性质的恰当解释，可能是通过解释为什么有意识的主体倾向于把这些性质归于他们自己的意识状态来进行的因此，这种解释本质上是元认知的。3. 它可能在解释认知现象学方面发挥作用，而不是感官现象学。2R. 克里斯利(More第2节和第3节中提到）。如果这些推理路线中的任何一条是正确的，那么元认知状态和过程对于类人意识（理由2和3）或任何意识（理由1）的计算模型都是至关重要的。观察1：迄今为止，人工智能建模元认知的方法人们通常认为，不仅是元认知的二阶状态，甚至是作为元认知对象的较低层次的状态都是经典的符号结构。1.2基础架构另一方面，相当多的认知系统研究者对这种架构持保留态度，他们倾向于那些有基础的架构，因为它们解释而不是预设通常被认为需要符号表征和处理的行为和能力。在这种架构调用表示和处理的地方，它是次符号的，具有关注（至少在第一实例中）感觉运动参与的动态此时此地的具体语义，而不是上下文无关的、抽象的、完全概念化的方式像那些（被认为是）被理论家所使用的。这样的架构通常会调用学习，原因（希望熟悉）在这里不能重复。观察2：可以理解，那些采用接地架构的人倾向于关注“低层次”认知现象（如感知和动作选择）的建模1.3面向扎根的元认知架构在观察1和2之间有一个初步的紧张关系：元认知建模往往不接地;接地架构很少应用于元认知现象的建模。因此，相对缺乏非经典符号的元认知架构，而学习，而不是先验结构，是中心。然而，元认知在提高基础架构的能力方面具有巨大的潜力：不仅可以提高学习能力，而且可以在提供（否则就不存在）复杂的表征特征方面发挥作用，例如系统性、生产力、逻辑量化、模态（可能性/必要性）等。元学习的相关主题（例如，[9，7]），关注更多的是优化机器学习，很少或根本没有讨论手头的主题：机器意识。为了解决这一不足，下面给出了这样一个架构的设计草图。即使在这样一个未开发的状态下，该草图也可以用来澄清所讨论的架构类型，它们面临的设计挑战机器意识3以及它们必须满足的要求，以帮助解释意识的一些最困难的特征。应该强调的是，该草图不仅在细节（深度）方面不完整，而且在包括的部件数量（宽度）方面也不完整。而不是一个完整的认知架构，这里所提出的只是什么是必要的，以说明所提出的元认知设计。2一种基于元认知2.1一阶子系统尽管下文描述的元认知子系统可以应用于非常广泛的一阶系统，包括（被动）分类/模式识别网络，但在涉及动作的一阶系统的上下文中识别其独特特征将更容易考虑一个机器人在一个有效的二维环境中的简单的彩色聚乙烯。机器人是静止的，除了它可以移动它的单个摄像机来固定在2D领域的点上。固定在点（x，y）上的结果R是传感器在可能值S的范围之外取特定值s。即R（x，y）=s∈S。视觉环境是动态的，因为在任何给定时间，一个或多个多边形可能消失或出现。然而，相对于下面描述的学习，这种变化之间的时间很长：响应于变化的学习将被假设为在下一个变化发生之前已经收敛。(The可以通过给予机器人变化检测组件来减轻这种假设的风险，该变化检测组件指示何时发生了2D场的这种改变，并且如果必要的话，该变化检测组件可以用于重新初始化学习过程机器人学习一个具有参数（weig hts）w<$的前向模型F，从固定点（x，y）到固定点处的预期感知输入s：Fw<$（x，y）=s∈ S。2.2元认知子系统由于F实际上体现了机器人关于其环境状态的“信念”，并且F是由w '、对w'的表示（“信念”和b out）以及对w '的操作/转换来表征的，这属于一种元认知。因此，元认知系统也可以在前向模型M中实现。但是，一阶前向模型的简单性不足以用于元认知，原因有二。首先，直接用元认知动作的效果来表示它们是不可行的，就像用R（x，y）所做的那样;相反，它们应该被认为是从输入权重状态和该状态上的算子到输出权重状态的函数。为了说明，一阶模型的类似表示（但不是在本文中描述的架构中使用的表示）将是从当前固定点（x，y）的函数R和到4R. 克里斯利新的 固定点（x′，y′）;例如：R（x，y，Ou，v）=（x+u，y+v）. 因此，对于元认知子系统，我们有：M<$j（w<$，Ok）=w<$′。当然，前面方程中的算子Ok还没有被定义，这是一阶子系统和元认知子系统之间的第二个区别的结果：虽然我们对许多一阶认知系统的原始动作基集应该由什么构成有直观的想法，但它对于元认知来说，这样的集合应该是什么还不太清楚。这个问题是混淆的事实，元概念运营商，就其本质而言，很可能是高度依赖于一阶子系统的实现细节，因此相对主观。因此，一个基础元认知架构的关键部分，将是一些原则性的方案，用于导出或学习这样一组基本的操作符或动作。为此，三种策略收购的元认知运营商正在考虑（个性化这样的运营商的参考权重集群，感觉集群，并在错误历史中的曲折，分别），但这里没有空间来详细说明这些建议。但可以进一步指出：一旦考虑到这样的策略，也可以学习一阶子系统的基本作用集，而不是先验地强加。可能的是，无论学习元认知算子的学习方案是什么，都可能是获得一阶基动作的一个很好的起点。尽管存在差异，但在一阶子系统和元认知子系统之间存在并行性在元认知的情况下，如何做到这一点的细节如下所示。按照这种方式构造，元认知网络将具有比一阶网络高得多的维度（因为元认知网络的一个维度也许这一事实解释了为什么直到现在，当硬件的进步使得这种架构的至少适度版本变得易于处理时，这种元认知方法还没有看到太多或任何发展。另一方面，未来的一个重要部分将是证明这将产生的相当大的计算成本是合理的：元认知应该得到它的保留。3学习使用元认知动作一旦一组元认知操作符就位（比如说，通过应用上述三种策略之一），智能体就可以学习一个前向模型M<$j（w<$，O）=w<$′，而不是一阶weig ht状态s。 也就是说，年龄nt可以学习在给定权重集上执行这些操作符之一（即，采取元认知操作）将具有的预期效果，就像智能体可以学习什么一样。它的一阶动作对感觉输入的影响。关键的区别在于要学习的关键偶然性不是（只是）“水平内”，就像学习运动和感觉输入之间的关系一样。相反，也可以学习跨级别的意外事件。由于在某些情况下，机器意识5J'w'被反转以产生逆模型，可以生成几种跨层模型的空间，并学习：– 二阶前向/一阶前向模型：如果我对我的信念状态进行这种 也就是说，给定一个元关联算子O，和一个一阶作用量i nteresta，计算s=Fw<$“（a），其中w<$”=M<$j（w<$，O））。– 二阶正演/一阶逆演模型：如果我将此更改为在我的信念状态下，什么样的行为会被期望产生给定的感觉输入？也就是说，给定一个元认知算子O和一个i ninterests的一阶感觉输入，计算a=F−1（s），其中w<$′=M<$j（w<$，O））。– 二阶逆/一阶逆模型：什么是元认知操作tor/operator序列，如果有的话，可以让我进入一个权重状态，是一个可以产生感兴趣的感官输入的动作？（在可以从创造性问题解决中获益的情况下，问这个问题可能特别有用。）也就是说，给定一个感兴趣的一阶感觉输入s，计算O=M<$−1（w<$，w<$'），使得对于某个a，s=Fw<$'（a））。这种学习可以是机器学习/神经网络类型的，也可以是更经典的符号学习，尽管所学习的可能是神经网络状态。但可能有一些解释性的好处（例如，关于起源，或一般的吝啬）在同一种神经网络中实现M，比如说，F。在这里只能顺便指出的一个重要的可能性是，元认知学习可以通过明确地偏好支持元认知操作者的一阶模型来促进（例如，通过向F的目标函数添加一个误差项这样的反倾销也可能间接发生（通过类似于鲍德温效应的东西）。4机器意识4.1对难题的修正主义解决方案早期的工作（[10，5，6]）已经为机器意识提出了一种间接的方法来解决意识的困难问题[1]，这里被认为是解释物理事物如何具有属性（内在性，不可描述性等）的问题归因于我们的意识体验第一步是说明意识的哪些方面是“困难问题”的支持者承认的，而这些方面不是“困难问题”（注意力、认知、记忆、学习等）。第二步是说明为什么具有这些能力的复杂组合的系统它们的状态具有内在的、定性的特征，这类特征会引起一个硬问题机器意识的这种两步方法需要元认知模型，因为第二步中的信念倾向是二阶的。我们不能仅仅通过规定一个系统具有所讨论的二阶信念来提供这种解释：我们必须解释为什么给定的状态6R. 克里斯利−构成这样的信念，以及为什么系统倾向于持有（并抵制修改）这样的信念。因此，这样的解释需要一个接地元认知模型。提出了各种体系结构（包括F、Ok、M等），因为这是系统的模型，它们对自己的信念有信念，这是解释特定类型的元信念的第一步，这些元信念在定义意识的硬度方面发挥着作用。4.2认知现象学除了这一作用之外，这些架构与机器意识之间的进一步关系涉及到认知现象学（处于给定认知状态的体验）与感觉（或感觉运动现象学）相对的可能解释。甚至没有共识认为存在认知现象学这样的东西，但是关于像F这样的前向模型如何能够描述感觉经验的内容的先前工作（[3，4]），以及F和M之间的平行等位基因，提出了一个简单的解释。就像感觉现象学的内容在某个时间可能由感觉运动预期的集合给出F在那个时候实现了，因此，一个时间的认知现象学的内容也可以由M在那个时间实现的元认知期望的集合给出。 就像感觉运动体验的内容可能包括对诸如“如果我以这种方式移动眼睛，我会收到什么输入？"之类问题的一组答案一样，“认知经验”的内容当我们清楚地认识到，这种基于期望的经验内容解释并不局限于（一阶（F）或元认知（M）子系统的）最低层次前向模型中表现出来的期望时，这种认知现象学解释的可信度就会增加这些子系统中的每一个都可以包含一个抽象层次，由它们的输入和输出的更抽象（与高阶或Meta相反）的表示以及它们之间的关系组成例如，一旦对最低（0 t h）水平的动作和感觉方案学习到Fw（a0）=s0，动作和感觉层次（A i+1（a i）=a i+1，S i+1（s i）=s i+1）本身就可以学习，并以F为基础。这些可以被认为是传统的模式分类器网络，其中更高的级别产生最低级别输入的更抽象的表示（分别为a0和s0这些层次结构生成（所有一阶，但抽象性增加）前向模型Fi的相应层次结构（这里的上标在逻辑上与前向模型Fi不同）。1上标之前用于表示逆模型）。这允许对不同抽象的经验内容进行表征，使得经验不仅需要在基本运动命令和感觉输入方面，而且需要在诸如开门的动作和诸如书形物体的输入方面。上述一阶示例通过扩展说明了元认知系统的类似可能性。通过学习权重状态和元认知运算符的抽象层次，可以对超越最具体层次到更抽象层次机器意识7特征化，包括经验，比如说，改变这些抽象层次结构可以横切一阶/Meta层次结构的事实意味着越来越复杂的各种架构。变化的一个维度涉及如何实现模型Fi的一阶层次结构。一种方法是用独立的权重集来实现每个Fi，从而产生对应的不同的Mi集来对它们进行操作。除了需要大量的资源之外，确保所有这些级别上的更改之间的完整性看起来是一项令人生畏（并且昂贵）的任务。另一种方法是只实现F0，Fi>0（ai）=si近似为S（F0（A−i（ai）。也就是说，动作层级被反转以产生抽象动作ai的0阶表示;该低级动作被馈送到0阶前向模型中以产生感觉输入的低级期望，该低级期望又被馈送到感觉模式层级中以产生该低级感觉输入的抽象表示，以产生所需的抽象期望输入si。对于元认知模型Mi的层次结构，存在类似的变化维度：具有不同实现的昂贵选项，或者以与刚刚描述的一阶子系统类似的方式将Mi接地在M0中的虚拟选项引用1. Chalmers，D.：有意识的心灵：寻找一个基本理论。牛津大学出版社，牛津（1996年）2. Chrisley，R.：认知图的构建和用途：一种并行分布式处理方法。在：Touretzky，D.，Elman，J.，Sejnowski，T.，Hinton，G.（编辑）连接主义模型：1990年连接主义模型暑期学校会议录03 The Dog（1990）3. 克里斯利河，Parthemore，J.：综合现象学：利用具身性来指定视觉经验的非概念内容。Journal of Consciousness Studies14，444. Chrisley，R.：综合现象学。International Journal of Machine Consciousness01（01），535. 克 里 斯 利 河 ， Sloman ， A. ： 功 能 主 义 、 修 正 主 义 和 感 受 质 。 APANewsletter on Philosophy and Computers16（1），26. 克里斯利河，Sloman，A.：建筑对意识的要求在：Chrisley，R.， Müller，V.C.， Sandamirs kaya，Y.， M.P.（编辑） EUCognition2016：Cog-机器人架构。第1855卷，第1855页。31-36. CEUR研讨会论文集（2017年6月）7. 莱姆克角，Budka，M.，Gabrys，B.：元学习：趋势与技术概览。ArtificialIntelligence Review44（1），1178. 罗 森 塔 尔 ， D. ： 两 个 意 识 的 概 念 Philosophical Studies49 ，329https://doi.org/10.1007/BF003555219. Schaul ， T. ， Schmidhuber ， J. ： 元 学 习 Scholarpedia5 （ 6 ） ， 4650（2010）. https：//doi.org/10.4249/pedia.4650，修订版#9148910. Sloman，A.，Chrisley，R.：虚拟机与意识Journal of Consciousness Studies10（4-5），133
我的内容管理
展开
