评估机器在新游戏中的自适应世界模型

人类智慧表现出在 novel and unfamiliar contexts 中的快速适应和有效问题解决能力的显著能力。我们认为，这种深刻的适应性根本与高效构建和细化环境内部表征的能力密切相关，通常称为世界模型，我们将这种适应机制称为 world model induction。然而，当前对人工智能(AI)中世界模型的理解和评估仍相对狭窄，常常只关注从大规模数据语料中学习的 static representations，而非通过与 novel environment 的 interaction和 exploration 来学习这些表征的 efficiency 和 efficacy。本篇 Perspective 提供了一种关于 world model induction 的观点，援引认知科学中人类学习和适应如此高效性的多年研究；我们随后呼吁一个新的评估框架来评估 AI 中的自适应世界模型。具体而言，我们提出一种新的基准范式，基于 carefully 设计的游戏套件，这些游戏在 underlying game structures 上具有 genuine, deep and continually refreshing novelty——我们将这类游戏称为 novel games。我们详细阐述了构建这些游戏的关键 desiderata，提出了 appropriate metrics 来显式挑战和评估 agent 的 ability for rapid world model induction。我们希望这个新的评估框架将激发未来的评估efforts on AI中的世界模型，并为开发具备人类水平快速适应性和 robust generalization 的 AI 系统提供关键步骤——这是实现 artificial general intelligence 的关键组成部分。