日本國立研究開發法人國立精神與神經醫療研究中心（NCNP）神經研究所疾病研究第7部的出井勇人特任研究室長、山下祐一室長，以及早稻田大學的三宅太文次席研究員、尾形哲也教授等人組成的研究團隊，將基於腦理論的AI模型實際安裝在多自由度人形機器人上，驗證了其能夠在整合高維視覺和本體感覺（身體感覺）的同時，學習多種護理動作。相關研究成果已發表在《Science Advances》上。
圖1 AI模型概要及機器人學習的兩種護理動作（圖片提供：國立精神與神經醫療研究中心）
A Scalable PV-RNN的架構：分層整合視覺與本體感覺（關節角度與扭矩）。損失函數即變分自由能，由預測誤差（PE）及先驗信念與後驗信念的KL散度（KLD）之和計算得出
B 使用的人形機器人（AIREC）
C 所學習的兩種護理工作的動作（體位變換、清拭護理）
儘管AI正在迅速發展，但要像人類那樣整合視覺和身體感覺等海量資訊，並根據情況切換執行各種任務，依然十分困難。
當前備受關注的一種腦計算理論是「預測處理」（自由能原理）。研究團隊基於這一腦理論進行了實證研究。
該理論認為，大腦並非被動地處理來自外界的資訊，而是主動預測未來的感官輸入，並通過縮小預測值與實際感官信號之間的差值（預測誤差）來進行感知、行動和學習。然而，該理論是否能在機器人等高維、多感覺、多任務環境中有效工作，此前並未得到充分驗證。
此次，研究團隊將機器人護理任務學習作為驗證對象，檢驗預測處理能否在上述環境中有效發揮作用。護理行業人手短缺問題日益嚴重，已成為亟待解決的社會課題。
此外，在體位變換和清拭護理等護理工作中，需要根據對象和環境的即時變化整合視覺與身體感覺，靈活地切換行為。這類面向護理場景的動作生成任務，也是檢驗現實環境自適應智慧最具挑戰性的課題之一。
為此，研究團隊開發了基於預測處理的新型AI模型「Scalable PV-RNN」，並將其實際安裝於多自由度人形機器人AIREC上，來評估該理論能否實現高維多任務智慧。
此次開發的AI可直接整合來自視覺圖像和身體感覺的約3萬維資訊，並在預測未來感官輸入的同時進行學習。結果表明，無需採用既往機器人AI中常見的特徵提取、降維或注意力機制等手段，僅憑「最小化預測誤差」這一單一計算原理，即可完成複雜多感官資訊的整合。
實驗中，研究人員利用遠端操作AIREC獲取的資料，讓機器人學習了對被護理者模型進行「體位變換」和「清拭護理」這兩種性質差異較大的護理動作。
結果表明，所提出的AI模型能夠同時學習和預測這些不同的護理動作。區別於以往需要為每項任務單獨設計AI的方法，該成果證明單一腦型AI具備適配多種任務的潛力。進一步對AI模型內部進行分析後發現，該模型形成了與人類大腦中已知的資訊處理特性類似的功能，包括：①即使視覺資訊模糊，也能通過身體感覺推斷狀況；②自主學習動作切換；③推斷視覺上被遮擋的對象；④根據情境認知不確定性的變化等。
這些功能並非單獨設計，而是基於預測處理的學習過程中自然形成的，這表明該理論可作為支撐現實世界高維、多感官智慧的計算原理。
未來，該成果有望成為應用於實際機器人控制的計算基礎。同時，該研究並不僅僅侷限於機器人AI的開發，也為「人類大腦究竟是依據何種計算原理實現靈活智慧」這一腦科學的根本性問題提供了新的見解。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
期刊：Science Advances
論文：Predictive processing as a scalable computational principle for embodied multitask intelligence
DOI：10.1126/sciadv.aed7511
