SocialAI：深度强化学习智能体社会认知能力的基准测试
机器学习
2021-09-02 v3 人工智能
计算与语言
摘要
构建能够参与与人类社交互动的具身自主智能体是 AI 的主要挑战之一。在深度强化学习（DRL）领域，该目标推动了多项关于具身语言使用的研究。然而，当前方法将语言视为极简化且非多样化社会情境中的交流工具：语言的“自然性”被缩减为高词汇量与可变性的概念。本文认为，迈向人类水平 AI 需要更广泛的关键社会技能集：1) 在复杂且多变的社会语境中使用语言；2) 超越语言，在持续演化的社会世界中多模态设定下的复杂具身交流。我们阐释认知科学中的概念如何助力 AI 绘制通往类人智能的路线图，并聚焦其社会维度。作为第一步，我们提议将当前研究拓展至更广泛的核心社会技能。为此，我们提出 SocialAI，一个利用包含其他（脚本化）社会智能体的多种网格世界环境来评估 DRL 智能体社会技能获取的基准。随后我们研究了近期 SOTA DRL 方法在 SocialAI 上测试时的局限，并讨论了迈向熟练社会智能体的重要下一步。视频与代码见 https://sites.google.com/view/socialai。
引用
@article{arxiv.2107.00956,
title = {SocialAI: Benchmarking Socio-Cognitive Abilities in Deep Reinforcement Learning Agents},
author = {Grgur Kovač and Rémy Portelas and Katja Hofmann and Pierre-Yves Oudeyer},
journal= {arXiv preprint arXiv:2107.00956},
year = {2021}
}
备注
under review. This paper extends and generalizes work in arXiv:2104.13207