最小化具象化：机器人中数概念高效学习
机器人学
2026-04-14 v1 人工智能
摘要
机器人正越来越多地进入需要理解数量的 human-interactive 场景。在认知科学和人工智能领域，智能系统如何从感知-运动经验中获取抽象数值概念仍是一个根本性挑战。本研究使用在 Franka Panda 机械臂上通过自然化机器人交互中进行顺序计数训练的神经网络模型，探索具象化的数值学习。我们展示具象模型仅用 10% 的训练数据即可实现 96.8% 的计数准确率，而视觉-仅模型仅为 60.6%。这种优势在视觉-运动对应关系被随机化时仍然存在，表明具象化功能作为一种结构性先验正则化学习，而非作为信息源。该模型自然发展出生物学上可信的表征：具有对数调谐的选择性数字单元、心理数轴组织、韦伯定律比例以及编码数值大小的旋转动力学 (, slope /count)。学习轨迹与儿童从子集-知道者向基数-原则知道者的发展进程相吻合。这些发现表明，最小化具象化可为抽象概念提供 grounding，提高数据效率，并产生与生物认知一致的可解释表征，这可能为具象化数学辅导和安全关键的工业应用做出贡献。
引用
@article{arxiv.2604.11373,
title = {Minimal Embodiment Enables Efficient Learning of Number Concepts in Robot},
author = {Zhegong Shangguan and Alessandro Di Nuovo and Angelo Cangelosi},
journal= {arXiv preprint arXiv:2604.11373},
year = {2026}
}