设计和评估一个在现实的多模式环境中体现的全球工作空间代理

科学领域:

• 认知科学 认知科学
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 人工神经网络 (ANN) 显示出越来越多的智能,促使与人类大脑功能进行比较.
• 以前的ANN专注于视觉或语言等特定模式,忽视了更高层次的认知.
• 有意识的信息获取缺乏具体的,可测试的假设来进行科学评估.

研究的目的:

• 使用人工神经网络设计和经验评估一个可扩展的知觉信息访问模型.
• 调查一个围绕全球工作空间理论 (GWT) 和其意识指标属性的构成的有形代理.
• 将基于GWT的代理与复杂环境中的标准循环架构的性能进行比较.

主要方法:

• 开发了一个基于GWT的全球工作空间架构的嵌入式代理.
• 训练代理人使用现实的视听输入来导航3D环境.
• 将GWT代理的性能与标准的反复架构进行比较,分析学习的表示.

主要成果:

• 全球工作空间架构表现出更优越和更强大的性能,特别是在更小的工作内存大小.
• 分析显示,任务复杂性和规范化对于特征学习至关重要.
• 在工作空间内观察到有意义的注意力模式,受任务复杂性和规范化的影响.

结论:

• 拟议的基于GWT的嵌入式代理提供了一个可扩展的模型来调查有意识的信息访问.
• 这些发现支持全球工作空间架构在ANN中更高层次的认知过程中的有效性.
• 任务复杂性和规范化是人工意识模型中开发复杂的注意力机制的关键因素.