人类对物理现实的规律有着早期的认识。例如，婴儿会对物体的运动方式以及物体之间的相互作用形成预期；当物体出现意外情况时，比如在魔术师的手法表演中凭空消失，婴儿便会表现出惊讶。
如今，麻省理工学院的研究人员设计出一种模型，展示了对物体应当如何运动这一基本“直觉物理学”的理解。该模型可用于帮助打造更智能的人工智能，进而为科学家理解婴儿认知提供信息。
这一名为ADEPT的模型会观察场景中运动的物体，并基于其内在的物理规律，对物体应当如何运动作出预测。在追踪物体的过程中，模型会在每一视频帧输出一个与“惊讶”程度相关的信号——信号越大，惊讶程度越高。如果某个物体的表现与模型的预测严重不符，例如在场景中消失或瞬间移动，其惊讶程度便会急剧上升。
面对物体以符合物理规律或违背物理规律的方式运动的视频，该模型所记录的惊讶程度与观看同一视频的人类所报告的惊讶程度相吻合。
“在婴儿三个月大时，他们就已经对物体的存在有了一定认识：物体不会凭空出现或消失，也不能相互穿透或瞬间移动，”第一作者、脑与认知科学系（BCS）研究科学家、大脑、心智与机器中心（CBMM）成员Kevin A. Smith表示，“我们希望提取并形式化这些知识，以便将婴儿的认知能力构建到人工智能智能体之中。如今，这些模型在辨别基本的不合理或合理场景方面，已经接近人类的水平。”
与Smith共同参与该论文的还有两位共同第一作者：电气工程与计算机科学系本科生Lingjie Mei，以及BCS研究科学家Shunyu Yao；Jiajun Wu，2019年获博士学位；CBMM研究员Elizabeth Spelke；计算认知科学教授、CBMM、BCS及计算机科学与人工智能实验室（CSAIL）研究员Joshua B. Tenenbaum；以及CBMM研究员Tomer D. Ullman，2015年获博士学位。
错位的现实
ADEPT依托两个模块运行：一个“逆向图形”模块，用于从原始图像中捕捉物体的表征；一个“物理引擎”，用于根据各种可能性的分布，预测物体未来的表征。
逆向图形的基本作用，是从像素输入中提取物体的信息，例如形状、姿态和速度。该模块将视频帧作为图像进行捕捉，并利用逆向图形从场景中的物体提取这些信息。但它不会纠缠于细节。ADEPT只需要每个形状的一些近似几何信息即可运行。这在一定程度上使模型能够将预测推广到新物体，而不仅限于训练时见过的物体。
“无论物体是矩形还是圆形，是卡车还是鸭子，都无关紧要。ADEPT只需看到有一个具有某种位置、以某种方式运动的物体，便能作出预测，”Smith表示，“同样，幼儿在进行物理预测时，似乎也不太在意形状等某些属性。”
这些粗略的物体描述会被输入物理引擎——该软件可模拟刚体或流体等物理系统的行为，常用于电影、电子游戏和计算机图形领域。Ullman表示，研究人员的物理引擎“将物体向前推进到下一时刻”。由此会产生一系列预测，即一种“信念分布”，用以描述这些物体在下一帧中可能发生的情况。
接下来，模型会观察实际的下一帧。它再次捕捉物体的表征，并将其与信念分布中某个预测的物体表征进行对齐。如果物体遵循物理定律，两种表征之间便不会存在明显偏差。反之，如果物体的表现不合理——例如从墙后凭空消失——两者之间便会出现重大偏差。
随后，ADEPT会从其信念分布中重新采样，并判定物体仅仅是消失的概率极低。如果概率低到一定程度，模型便会记录下强烈的“惊讶”，表现为信号急剧上升。基本而言，惊讶程度与事件发生的概率成反比。若概率极低，信号峰值便会非常高。
“如果一个物体走到墙后，你的物理引擎会保留一种信念，认为该物体仍在墙后。如果墙体消失，而那里空无一物，便出现了偏差，”Ullman表示，“于是，模型会说：‘我的预测中存在一个物体，但我什么也没看到。唯一的解释是它消失了，所以这令人惊讶。’”
违背预期
在发展心理学中，研究人员会进行“违背预期”测试，向婴儿展示成对的视频。其中一段视频呈现合理的事件，物体的表现符合人们对世界运作方式的预期。另一段视频在各方面都相同，只是物体的表现以某种方式违背了预期。研究人员通常借助这些测试，衡量婴儿在不合理行为发生后注视场景的时长。研究人员推测，注视的时间越长，婴儿可能就越感到惊讶或对刚刚发生的事情越感兴趣。
为开展实验，研究人员依据经典发展心理学研究设计了若干场景，以考察模型的核心物体知识。他们招募了60名成年人，观看64段已知符合或违背物理规律的视频。例如，物体会移动到墙后，当墙体落下时，物体可能仍然在那里，也可能已经消失。参与者需要在多个时间点，以0至100的递增刻度对自己的惊讶程度进行评分。随后，研究人员向模型展示了相同的视频。具体而言，这些场景用于检验模型捕捉以下概念的能力：恒存性（物体不会无缘无故地出现或消失）、连续性（物体沿相连的轨迹运动）以及坚固性（物体不能相互穿过）。
在物体移动到墙后并在墙体移除后消失的视频中，ADEPT与人类的表现尤为吻合。有趣的是，在一些人类并未感到惊讶、但或许本应感到惊讶的视频中，该模型的惊讶程度也与人类相符。例如，在一段视频中，物体以某一速度移动并消失在墙后，随后立即从另一侧出现。物体可能在进入墙后时急剧加速，也可能瞬间移动到了另一侧。总体而言，人类和ADEPT对该事件是否令人惊讶，都不太确定。研究人员还发现，那些通过观察学习物理规律、却不明确表征物体的传统神经网络，在区分令人惊讶与不令人惊讶的场景方面准确性要低得多，其所挑选的“惊讶”场景也往往与人类的判断不相符。
接下来，研究人员计划进一步深入探究婴儿如何观察世界并从中学习，并旨在将任何新发现纳入其模型之中。例如，研究表明，在某个年龄之前，婴儿在某些方面出现完全变化时并不会特别惊讶——比如一辆卡车消失在墙后，却以鸭子的形象重新出现。
“我们希望弄清楚，要让人工智能像婴儿一样理解世界，还需要构建哪些内容；同时将我们对心理学的认知加以形式化，以打造更好的人工智能智能体，”Smith表示。
