14 جولای 2023 – لی یوان، آکادمی علوم چین
نظریه ذهن (ToM) به توانایی استنباط حالات ذهنی دیگران مانند باورها، نیات و خواسته ها اشاره دارد. این یک نوع توانایی شناختی اجتماعی در سطح بالا است.
مکانیسم‌های عصبی زیربنایی ToM به تدریج در سال‌های اخیر کشف شده‌اند. این مکانیسم‌ها بینش‌هایی را برای مطالعه و بررسی تعاملات اجتماعی میان سیستم‌های چند عاملی و تعاملات انسان و رایانه بر اساس ToM ارائه می‌کنند.
اخیراً یک تیم تحقیقاتی به سرپرستی پروفسور Zeng Yi از مؤسسه اتوماسیون آکادمی علوم چین، یک شبکه عصبی spiking (MAToM-SNN) را بر اساس نظریه ذهن چند عاملی برای بهبود همکاری و رقابت چند عامل پیشنهاد کرده است. این مطالعه در Patterns در 23 ژوئن منتشر شد.
وقتی هوش مصنوعی عملکرد نظریه ذهن/همدلی شناختی را به دست آورد، باید از مغز الهام گرفته شود تا بدانیم مدل تئوری ذهن در هوش مصنوعی قابل مقایسه با نسخه انسانی است و برای انسان و جامعه قابل اعتمادتر است.
شبکه پیشنهادی از دو ماژول تشکیل شده است: ماژول Self-MAToM برای استنباط دیگران بر اساس تجربه خود و ماژول Other-MAToM برای استنباط دیگران بر اساس مشاهدات تاریخی دیگران.
پروفسور Zeng Yi، نویسنده مسئول این مطالعه گفت: «رفتارهای پیش‌بینی‌شده دیگران توسط MAToM-SNN، بازنمایی‌های حالت غنی را برای مدل تصمیم‌گیری فراهم می‌کند و شبکه تصمیم‌گیری را قادر می‌سازد تا سیاست‌های خود را به‌طور انطباقی تنظیم کند».
عوامل دارای MAToM-SNN می توانند از تجربیات خود یا مشاهدات دیگران برای استنباط رفتارهای خود و تنظیم خط مشی های خود برای تعامل بهتر با دیگران استفاده کنند. علاوه بر این، MAToM-SNN عملکرد سیستم های چند عاملی را در وظایف مشارکتی و رقابتی افزایش می دهد.
Zhao Zhuoya، نویسنده اول این مطالعه گفت: MAToM-SNN سطوح بالایی از تعمیم را در وظایف یادگیری تقویتی چند عاملی مبتنی بر شبکه‌های عصبی اسپک و شبکه‌های عصبی مکرر نشان می‌دهد.
علاوه بر این، محققان دریافتند که Self-MAToM به سایر MAToM کمک می کند تا سریع یاد بگیرند. او گفت: “خود شرط لازم برای استنباط دیگران است. بنابراین، زمانی که اطلاعات در مورد آنها ناقص است، استنتاج درباره دیگران بر اساس تجربه خود ضروری است.
