日本国立精神·神经医疗研究中心（NCNP）与日本早稻田大学的研究团队于8月17日宣布，他们将基于脑理论的AI模型应用于类人机器人，实现了在整合高维视觉和本体感受（身体感知）信息的基础上，学习多种护理动作的能力。
该研究表明，即使视觉信息模糊，AI模型也能通过身体感知推断环境状况；能够自主学习动作切换；推测被视觉遮挡的目标；并感知环境中不确定性的变化。这些信息处理特性类似于人脑的功能，且无需额外编程即可在AI模型内部自然形成。
这一成果展示了预测处理作为机器人智能的通用计算原理的潜力，不仅推动护理机器人技术发展，也为实现适应多样环境的下一代AI和深入理解人类智能原理奠定基础。
研究概要
研究团队开发了一种基于预测处理的新型AI模型“Scalable PV-RNN”，验证其在实现高维多任务智能方面的有效性。该模型被集成到模仿人类上半身结构、能够执行接触动作的类人机器人“AIREC”中，并进行了性能评估。
预测处理实现高维信息整合，学习多种护理动作
该AI模型直接整合了来自视觉图像和身体感知的约3万维信息，在预测未来感知的同时进行学习。与传统机器人AI依赖特征提取、降维和注意机制不同，该模型仅通过“最小化预测误差”这一单一计算原则，成功整合复杂多感官信息。
实验中，研究人员通过远程操作“AIREC”机器人采集数据，让其学习两种性质迥异的护理动作：“体位转换”和“清拭”。体位转换涉及支撑沉重人体的复杂力学操作，清拭则是处理柔软物体毛巾的动作。结果显示，该AI模型能够同时学习并预测这两种不同的护理动作，展现出单一脑型AI适应多样任务的潜力，区别于传统为每个任务设计独立AI的做法。
类人信息整合功能的自然涌现
对AI模型内部的分析显示，类似人脑的信息处理特性自发形成。AI能够层次化表达整体动作及细节运动，自主实现动作切换；在视觉受阻时推测隐藏目标，并利用身体感知补充不足的视觉信息。
此外，模型还能内部估计各任务的不确定性，并灵活切换处理策略。这些功能并非通过单独设计实现，而是基于预测处理学习自然生成，证明该理论可作为支持现实世界高维多感官智能的计算原理。
