지속적인 로봇 학습에서 나타나는 '자아'의 증거

Evidence of an Emergent "Self" in Continual Robot Learning

자기 인식에 대한 이해의 핵심 과제는 지능형 시스템이 '자아'라는 개념을 가지고 있는지, 그리고 그렇다면 '자아'를 다른 인지 구조와 어떻게 구별할 수 있는지를 원칙적으로 측정하는 방법을 찾는 것입니다. 우리는 '자아'가 더 빠르게 습득되는 인지 지식과 기술에 비해 상대적으로 변화가 적은 인지 과정의 불변하는 부분을 탐색함으로써 분리될 수 있다고 제안합니다. 왜냐하면 우리의 '자아'는 우리의 경험에서 가장 지속적인 측면이기 때문입니다. 우리는 이 원칙을 사용하여 두 가지 조건 하에서 로봇의 인지 구조를 분석했습니다. 한 로봇은 일정한 작업을 학습하는 반면, 다른 로봇은 다양한 작업에 대한 지속적인 학습을 수행합니다. 분석 결과, 지속적인 학습을 수행한 로봇은 통제군에 비해 훨씬 더 안정적인 불변 하위 네트워크를 개발하는 것으로 나타났습니다(p < 0.001). 우리는 이 원칙이 다른 인지 AI 시스템에서 '자아'를 탐구하는 데 유용한 통찰력을 제공할 수 있다고 제안합니다.

A key challenge to understanding self-awareness has been a principled way of quantifying whether an intelligent system has a concept of a "self," and if so how to differentiate the "self" from other cognitive structures. We propose that the "self" can be isolated by seeking the invariant portion of cognitive process that changes relatively little compared to more rapidly acquired cognitive knowledge and skills, because our self is the most persistent aspect of our experiences. We used this principle to analyze the cognitive structure of robots under two conditions: One robot learns a constant task, while a second robot is subjected to continual learning under variable tasks. We find that robots subjected to continual learning develop an invariant subnetwork that is significantly more stable (p < 0.001) compared to the control. We suggest that this principle can offer a window into exploring selfhood in other cognitive AI systems.