9月2日在深圳舉辦的首屆「Nature Conference - AI與機器人大會」上，長井志江（Yukie Nagai）教授將給出她的答案。
本屆大會由騰訊 AI Lab 攜手Nature Research（自然科研）及旗下《自然-機器智慧》、《自然-生物醫學工程》兩本期刊聯合舉辦。大會上將釋出「42個 AI 與機器人大問題」報告，並邀請 11 位世界知名學者為這些宏大問題給出每個人獨特而深刻的理解與答案。在報告中，我們還邀請到 Yoshua Bengio、Jürgen Schmidhuber和多位中國院士提供專家見解，也歡迎你參與報告調研。
長井志江（Yukie Nagai）現為東京大學國際高等研究所神經智慧國際研究中心教授，並領導著認知發展機器人學實驗室（長井實驗室）。
自1999年以來，長井一直致力於認知發展機器人研究，她的研究興趣是社交能力的發展機制，例如聯合注意（joint attention）、模仿和語言使用，透過計算建模和評估人工系統來理解人類的認知發展及潛在的神經機制。
基於長井的預測學習理論，她領導的團隊正為機器人設計神經網路模型以習得認知能力，如自我認知，他人意圖和情感的評估，利他主義等。她和團隊開發出的一個模擬器能夠重現自閉症譜系障礙（ASD）的非典型知覺，可以讓普通人與 ASD 患者都能更好地理解社交障礙的可能原因。這項研究對 ASD 治療具有重要的價值，也由此在相關領域產生了很大影響。
非典型知覺模擬：為什麼ASD社交困難？
自閉症譜系障礙（ASD）患者會遭遇感覺過敏/感覺減退以及社互動動方面的困難。為了理解非典型知覺（atypical perception）的潛在機制及其對社會反應的影響，長井團隊對社會環境如何引發非典型知覺的過程進行了計算分析。實驗採用視覺和音訊處理技術讓ASD患者重現他們的經驗，從而使研究人員能夠客觀和定量地對其進行評估。
據Spectrum報導，2014年，長井團隊向22名自閉症患者展示了一些影片，內容包括火車站、超市和其他二十多個日常生活場景。參與者對他們觀看影片時的視覺效果及強度進行了評定，研究人員將其歸結為6種常見的視覺模式：過度曝光、模糊、邊緣增強、對比度增強、色彩飽和度降低和視覺雪（visual snow，即眼前出現密密麻麻的小白點或小黑點）。
團隊根據研究結果開發出一種頭戴式擴增實境系統（如下圖），模擬再現ASD的視覺世界。他們將參與者的報告與每個場景的特徵相關聯，如亮度、運動和聲級，最終確定計算模擬「對比度增強、色彩飽和度降低和視覺雪」這3種視覺效果。該系統可以幫助科學家們研究非典型知覺對社交能力的影響。
Spectrum的記者這樣描述佩戴後的感受：
「我戴上模擬器，房間四周的景象顯示正常，只是稍微有點滯後。然而，當學生開啟模擬器時，長井的臉變得模糊起來，難以識別她的表情。我轉過身，立刻被一幅看似抽象的印象派繪畫迷住了——這裡原來是一個灰色隔間分割槽。我看看自己的手，摺痕類似複雜的指甲花藝術。系統的高對比度設定使得細小的紋理也可以產生。
「在長井的帶領下，我在大廳裡拖著腳走進停車場。一開始一切都變白了，就像我在一個明亮的日子裡摘下了太陽鏡。當我轉過頭或有車開過時，影像的顏色便會消失，彷彿在Instagram上使用黑色濾鏡。當我們重新進入建築物時，突然變暗會使得整個場景釋放出暴風雪般的隨機斑點，像波爾卡圓點一樣。大堂的不均勻照明被強化放大了。明暗區域交替，顯示出幽靈般的輪廓。」
自2015年以來，長井和她的同事在大阪、東京等地，為教師、治療師和自閉症兒童的父母舉辦了數十場研討會，讓人們試戴模擬器，並進行討論。模擬器一方面為急於瞭解自閉症患者的人（比如父母）提供了身臨其境的機會，另一方面也使研究者及患者自己能夠更好地理解社交困難的潛在原因。
除了模擬重現自閉症患者的感官世界，長井團隊還對這些症狀的生理和神經原因進行了探索，以瞭解其潛在機制。今年7月，長井團隊在 Journal of Neurodevelopmental Disorders 上發表論文，報告了對ASD視覺異常所對應的神經特徵研究。這也是該領域中首個利用腦磁圖技術，以證明視覺異常的嚴重程度與自閉症兒童較低的衰減率的聯絡的研究。
22名10歲上下的高功能自閉症兒童和23名同齡正常兒童參與了這項研究。團隊用腦磁圖測量了分別由原始視覺影像和其他兩種型別的明亮影像（點噪聲或盲影像，包括重疊粒子到原始影像或增強亮度的版本）所引起的皮質反應（即啟用強度和衰減比）。結果顯示，視力異常的嚴重程度與ASD兒童的行為問題顯著相關。此外，團隊還發現在ASD患兒左側緣上回（SMG）和顳中回的原始影像中，皮質啟用增加。然而，在初級視覺和內側眶額皮質中沒有組間差異。當根據影像型別比較皮質反應時，與右側SMG的原始影像相比，ASD兒童對明亮影像的啟用強度衰減小於正常兒童。這些衰減比也與視覺異常的嚴重程度相關。
該研究表明，刺激驅動的神經抑制功能障礙在自閉症兒童視覺異常的神經機制中起著至關重要的作用。這些研究結果有助於瞭解自閉症兒童視覺異常的潛在機制，啟發更有效的診斷和早期干預。
認知映象：理解並協助發展障礙治療
自2016年12月以來，長井領導著一個名為「認知映象」的JST CREST專案。該專案旨在開發使人類認知過程可觀察的認知映象系統。基於人腦的預測編碼在認知中起著至關重要的作用，團隊計劃透過整合計算建模方法和Tojisha-kenkyu（發展障礙的第一人稱視角研究）來更好地理解發展障礙的原理和機制。
發展障礙（Developmental disorders），也稱心理發展障礙，分為特殊性發展障礙和廣泛性發展障礙。前者涉及語言障礙 （表達型語言障礙、失語症等）、學習障礙（閱讀／書寫障礙、古斯曼綜合徵)和運動機能障礙，後者包括自閉症、蕾特氏症、亞斯伯格症候群等。
前文所述的ASD研究也隸屬於CREST認知映象專案。基於預測編碼理論設計的認知映象系統將透過自我理解和社交共享認知過程來幫助發展障礙患者。
作為認知科學的一個著名理論，預測編碼被認為是人腦的核心機制。該理論認為大腦試圖將環境傳入的感官訊號與透過經驗獲得的內部模型產生的自上向下的預測誤差最小化。也就是說，大腦會根據經驗和關於世界的內部模型形成一個某種環境下可能產生什麼體驗的預測，並將該預測和下層感官傳入的實際資訊進行對比，解釋預測誤差。比如，我們知道桌子應該有4條腿，即使桌子被擋住了一部分，我們仍可能做出正確判斷。如果預測誤差無法得到合理解釋，那麼會被反饋回高層，調整內部模型以降低預測誤差。感知、運動控制、記憶等大腦功能，都依賴於大腦對現有經驗和未來期望的比較。
長井團隊的研究基於預測編碼的復發神經網路是否以及如何複製在發展障礙中觀察到的非典型行為，其中引入網路引數的修改以模擬其非典型腦功能。此外，他們還仔細分析了網路的內部表徵，以揭示其非典型行為的潛在神經機制。
長井今年3月在 Philosophical Transactions of the Royal Society B: Biological Sciences 上發表文章，闡述了感覺運動訊號的預測性學習在早期認知發展中的關鍵作用。她對預測編碼理論進行了擴充套件，提出兩種最小化預測誤差的機制導致嬰兒早期認知能力的發展：更新不成熟的預測器以改進自己的感覺運動能力，並執行由預測器估計的動作以響應他人的行為。機器人系統的實驗證明了基於上述機制的認知能力，例如基於第一種機制獲得了自我認知和目標導向行為的能力，而基於第二種機制出現了模仿和親社會行為。長井的研究進一步揭示了自閉症譜系條件的潛在機制，即對預測誤差的非典型容忍是ASD患者在知覺和社交上遭遇困難的原因。
AI如何模擬和協助包括自閉症在內的發育障礙患者？又是如何幫助我們理解認知和意識本質的？
｜演講摘要
《模擬及協助自閉症譜系障礙者的AI》
AI that simulates and assists people with autism spectrum disorder
自閉症譜系障礙（ASD）是一種以社交溝通困難為特徵的神經發育障礙。然而，最近的研究表明，他們的核心問題在於感覺運動處理，而非社會認知。本演講將介紹我們設計的可模擬和協助ASD患者的人工智慧系統演算法。神經科學的預測編碼理論表明，預測性大腦中的低先驗（hypo-priors，又譯「經驗匱乏」）導致對感官訊號更敏感，從而難以適應社交情境，一如在ASD患者中所觀察到的那樣。受該理論啟發，我們一直在研究基於預測編碼的神經網路如何復現和預測認知發展及其障礙。我們最近的研究表明，認知能力的多樣性可以透過修改控制預測能力的模型引數來實現。ASD 可表示為引數修改的兩種極端情況，對應於預測性大腦中的低先驗和高先驗（hypo- and hyper-priors）。我將進一步展示一種用於模擬ASD中的非典型視覺感知的全新AI技術。
