Исследователи из Окинавского института науки и технологий создали виртуальных роботов с нейросетью, устроенной по принципу, близкому к человеческому мозгу, и «воспитали» в них любопытство.
Результат оказался впечатляющим: машины, которым добавили внутренний стимул к новизне, освоили язык в два раза быстрее своих более «равнодушных» собратьев.
Эксперимент был построен в симуляции, где роботам одновременно давали голосовые команды и показывали, что именно происходит вокруг. Иными словами, машинам нужно было не просто услышать фразу, но и связать ее с действием, а затем правильно его выполнить. Одну группу обучали по классической схеме: за точное исполнение задания роботы получали награду. Второй группе добавили еще один мотиватор — внутренний бонус за любопытство. Он срабатывал тогда, когда робот сталкивался с чем-то новым и его прежняя «картина мира» давала сбой. Чем сильнее событие выбивалось из привычного сценария, тем выше оказывалось вознаграждение.
По сути, механизм оказался очень похож на человеческое любопытство. Человек, например, может попробовать белый шоколад, хотя обычно предпочитает темный. Вкус может не понравиться, зато опыт все равно меняет представление о том, каким вообще бывает шоколад. Любопытство работает именно так: оно заставляет выходить за пределы привычного, расширять опыт и корректировать внутреннюю модель мира. Роботы с такой настройкой учились иначе — заметно активнее и гибче.
Примерно в середине обучения они начали вести себя почти как дети. Машины переворачивали предметы, толкали их без всякой команды, просто чтобы проверить, что произойдет дальше. Никто не закладывал в них подобные действия отдельно. Они возникли сами собой как следствие тяги к новому. И именно эта игровая, исследовательская активность, по наблюдению ученых, резко ускоряла освоение языка. Роботы, которых дополнительно поощряли за любопытство, продвигались вперед значительно быстрее, особенно в сложных случаях, где нужно было распознать цвет и форму, подойти к нужному объекту и действовать без ошибки.
Еще более показательной оказалась реакция роботов на разнообразие языковой среды. Когда им показывали 48 разных языковых конструкций, любопытные машины справлялись с новыми задачами лишь в 25% случаев. Но стоило расширить набор до 180 конструкций — и точность подскакивала уже до 85. Вывод напрашивается сам: чем богаче и разнообразнее среда, тем быстрее идет обучение. Для машин, как и для людей, новизна оказывается мощным ускорителем развития.
Руководитель лаборатории, профессор Дзюн Тани, при этом оговаривается: роботы, конечно, не думают как дети, а среда, в которой проводился эксперимент, куда более абстрактна и бедна по сравнению с насыщенным языковым миром ребенка. Но именно эта абстрактность и делает модель полезной: она позволяет в чистом виде изучать, какую роль играет любопытство в процессе обучения языку и как внутренний интерес к новому способен ускорять освоение сложных навыков.
