NeuroAI：迈向下一代人工智能(4)

因此，我们提出了一个拓展的图灵测试，包括高级感觉运动能力的测试。最初的图灵测试建立了一个定性标准使我们可以判断人工智能的进展程度。拓展的“具身图灵测试”将对人工系统与人类和其他动物的交互进行基准测试和比较。依据每种动物自己独特的能力定义了各自的图灵测试：人造海狸可以测试其筑坝的能力，人造松鼠可以测试其穿越树木的能力。尽管如此，几乎所有动物都有许多核心的感觉运动能力，这些核心技能为动物快速进化适应新环境提供了坚实的基础。下面我们重点介绍其中一些共同点。
与世界互动。动物的显著特征在于能够有目的地四处走动并与环境互动。尽管最近在优化控制、强化学习和模拟学习方面取得了进展，但机器人在控制身体和操纵物体方面仍未达到动物级别的能力，即使是模拟的程度也达不到 (Merel, Botvinick, and Wayne 2019) 。当然，神经科学可以提供关于模块化和分层架构的指导，这些架构应用于人工系统以赋予人工系统这些能力。神经科学还可以为我们提供一些设计原则，例如部分自主（在没有高级模块输入的情况下，层级中的低级模块如何半自主地工作）和摊销控制（缓慢规划过程中产生的初始运动如何最终转移到快速反射系统）。了解特定的神经回路如何参与不同的任务，比如运动和对肢体、手及手指的精细控制，感知觉和行动选择，可能为机器人如何实现人工智能系统提供了途径，也可能为其他形式的“智能”提供解决方案，包括更多的认知领域。
例如，我们推测，低水平运动控制的神经环路原理有助于为人工智能系统中的高水平运动规划提供更好的基础。
动物行为的灵活性。另一个目标是开发人工智能系统，该系统能够产生类似单个动物的行为范围，从而参与大量灵活多样的任务。现代AI可以很容易地学会在像Breakout这样的视频游戏中只需使用像素和游戏分数信息超越人类 (Mnih et al. 2015)。然而，与人类玩家不同，这些系统是脆弱的，对小扰动高度敏感：稍微改变游戏规则，甚至是输入中的几个像素，都可能导致灾难性的性能下降 (Huang et al. 2017)。这是因为这些系统学习从像素到动作的映射，不需要理解游戏中的智能体和对象以及支配它们的物理规律。同样，自动驾驶汽车本身并不知道前面卡车上的板条箱掉落的危险，除非它确实看到过卡车上的板条箱掉落导致不良后果的例子。而且，即使它已经接受过关于箱子掉落危险性的训练，系统可能会把前面汽车里吹出来的一个空塑料袋视为一种障碍，从而不惜一切代价避免，因为它实际上不知道塑料袋是什么，也不知道它在物理上有没有威胁。