AI驱动的计算框架助力视觉系统演化研究

“科学沙盒”让研究人员探索视觉系统的演化

科学家无法回到过去研究塑造自然界多样视觉系统的环境压力，但某机构的研究人员开发了一种新的计算框架，使他们能够在人工智能体中探索这种演化。

他们开发的框架就像是一个“科学沙盒”，其中具身AI体经过多代演化出眼睛并学会观看。用户通过改变世界的结构和AI体完成的任务（例如寻找食物或区分物体）来重建不同的演化树。

这使他们能够研究为什么一种动物可能演化出简单的光敏斑块作为眼睛，而另一种动物则拥有复杂的相机型眼睛。

研究人员用该框架进行的实验展示了任务如何驱动AI体中眼睛的演化。例如，他们发现导航任务通常会导致演化出具有许多独立单元的复眼，类似于昆虫和甲壳类动物的眼睛。

另一方面，如果AI体专注于物体辨别，则更有可能演化出带有虹膜和视网膜的相机型眼睛。

该框架可以使科学家探究那些难以通过实验研究的、关于视觉系统的“假设”问题。它还可以指导机器人、无人机和可穿戴设备的新型传感器和相机的设计，在性能与现实世界的限制（如能源效率和可制造性）之间取得平衡。

构建科学沙盒

该研究源于研究人员关于发现可用于机器人学等不同领域的新视觉系统的讨论。为了测试他们的“假设”问题，研究人员决定利用AI来探索众多演化可能性。

为了构建这个演化沙盒，研究人员提取了相机的所有元素，如传感器、镜头、光圈和处理器，并将它们转化为具身AI体可以学习的参数。

他们将这些构建块作为算法学习机制的起点，AI体将随着时间推移利用该机制演化眼睛。

在他们的框架中，这种演化算法可以根据环境约束和AI体的任务来选择演化哪些元素。

每个环境都有一个单一任务，例如导航、食物识别或猎物追踪，旨在模拟动物为生存必须克服的真实视觉任务。AI体从一个观察世界的单一光感受器以及一个处理视觉信息的关联神经网络模型开始。

然后，在每个AI体的生命周期中，它使用强化学习进行训练，这是一种试错技术，AI体因实现其任务目标而获得奖励。环境还融入了约束，例如AI体视觉传感器具有特定数量的像素。

这些约束驱动了设计过程，就像我们世界中的物理约束（如光的物理学）驱动了我们自身眼睛的设计一样。

经过许多代，AI体会演化出能最大化奖励的不同视觉系统元素。该框架使用一种基因编码机制来在计算上模拟演化，其中个体基因发生突变以控制AI体的发育。

测试假设

当研究人员在该框架中设置实验时，他们发现任务对AI体演化出的视觉系统有重大影响。

例如，专注于导航任务的AI体演化出的眼睛旨在通过低分辨率传感最大化空间意识，而任务为检测物体的AI体则演化出更注重前方敏锐度而非周边视觉的眼睛。

另一项实验表明，在处理视觉信息时，更大的大脑并不总是更好。基于物理约束（如眼睛中的光感受器数量），一次只能有这么多视觉信息进入系统。

未来，研究人员希望使用该模拟器探索特定应用的最佳视觉系统，这可能有助于科学家开发针对特定任务的传感器和相机。他们还希望将大语言模型集成到其框架中，使用户更容易提出“假设”问题并研究更多可能性。FINISHED