日本国立研究开发法人国立精神与神经医疗研究中心（NCNP）神经研究所疾病研究第7部的出井勇人特任研究室长、山下祐一室长，以及早稻田大学的三宅太文次席研究员、尾形哲也教授等人组成的研究团队，将基于脑理论的AI模型实际安装在多自由度人形机器人上，验证了其能够在整合高维视觉和本体感觉（身体感觉）的同时，学习多种护理动作。相关研究成果已发表在《Science Advances》上。
图1 AI模型概要及机器人学习的两种护理动作（供图：国立精神与神经医疗研究中心）
A Scalable PV-RNN的架构：分层整合视觉与本体感觉（关节角度与扭矩）。损失函数即变分自由能，由预测误差（PE）及先验信念与后验信念的KL散度（KLD）之和计算得出
B 使用的人形机器人（AIREC）
C 所学习的两种护理工作的动作（体位变换、清拭护理）
尽管AI正在迅速发展，但要像人类那样整合视觉和身体感觉等海量信息，并根据情况切换执行各种任务，依然十分困难。
当前备受关注的一种脑计算理论是“预测处理”（自由能原理）。研究团队基于这一脑理论进行了实证研究。
该理论认为，大脑并非被动地处理来自外界的信息，而是主动预测未来的感官输入，并通过缩小预测值与实际感官信号之间的差值（预测误差）来进行感知、行动和学习。然而，该理论是否能在机器人等高维、多感觉、多任务环境中有效工作，此前并未得到充分验证。
此次，研究团队将机器人护理任务学习作为验证对象，检验预测处理能否在上述环境中有效发挥作用。护理行业人手短缺问题日益严重，已成为亟待解决的社会课题。
此外，在体位变换和清拭护理等护理工作中，需要根据对象和环境的实时变化整合视觉与身体感觉，灵活地切换行为。这类面向护理场景的动作生成任务，也是检验现实环境自适应智能最具挑战性的课题之一。
为此，研究团队开发了基于预测处理的新型AI模型“Scalable PV-RNN”，并将其实际安装于多自由度人形机器人AIREC上，来评估该理论能否实现高维多任务智能。
此次开发的AI可直接整合来自视觉图像和身体感觉的约3万维信息，并在预测未来感官输入的同时进行学习。结果表明，无需采用既往机器人AI中常见的特征提取、降维或注意力机制等手段，仅凭“最小化预测误差”这一单一计算原理，即可完成复杂多感官信息的整合。
实验中，研究人员利用远程操作AIREC获取的数据，让机器人学习了对被护理者模型进行“体位变换”和“清拭护理”这两种性质差异较大的护理动作。
结果表明，所提出的AI模型能够同时学习和预测这些不同的护理动作。区别于以往需要为每项任务单独设计AI的方法，该成果证明单一脑型AI具备适配多种任务的潜力。进一步对AI模型内部进行分析后发现，该模型形成了与人类大脑中已知的信息处理特性类似的功能，包括：①即使视觉信息模糊，也能通过身体感觉推断状况；②自主学习动作切换；③推断视觉上被遮挡的对象；④根据情境认知不确定性的变化等。
这些功能并非单独设计，而是基于预测处理的学习过程中自然形成的，这表明该理论可作为支撑现实世界高维、多感官智能的计算原理。
未来，该成果有望成为应用于实际机器人控制的计算基础。同时，该研究并不仅仅局限于机器人AI的开发，也为“人类大脑究竟是依据何种计算原理实现灵活智能”这一脑科学的根本性问题提供了新的见解。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
期刊：Science Advances
论文：Predictive processing as a scalable computational principle for embodied multitask intelligence
DOI：10.1126/sciadv.aed7511
