DeepMind 开源虚拟实验室 Psychlab，利用认知心理学对智能体进行研究

440活在梦里

日前，DeepMind 开源其虚拟实验室 Psychlab，通过 Psychlab，大家可以直接应用认知心理学等领域的方法，来研究智能体在受控环境中的行为。雷锋网 AI 研习社将内容编译整理如下：

当你在商店购物时，如果漏了购物清单里的某样东西，这可以告知我们哪些大脑功能呢？这可能表示，当你在搜寻购物清单里列出来的物品时，可能很难将注意力从一个物体转移到另一个物体，也可能表明记住购物单上的物品很难，不过也或许和你同时在做两件事有关。

看似单一的任务实际上依赖于多种认知能力。在人工智能研究领域，我们也面临着类似的问题。为了让智能体成功完成一个复杂的任务，需要将任务分解成多个单一的技能，而这通常很难。不过理解智能体的特定认知技能可能会对提高整体性能有所助益。

为了解决人类的这种问题，心理学家在过去的 150 年里一直在设计严格控制的实验，一次验证一个特定的认知能力。

例如，他们可能会使用两个独立的测试来分析超市中的那种场景——包括「视觉搜索」测试，要求受试者对特定的形状进行定位，用来探测注意力，同时他们可能会让受试的人回忆看过列表的中的条目，来测试他们的记忆力。

我们相信，用类似的实验方法能更好地理解 AI 智能体的行为。

这是我们开发 Psychlab 的原因。Psychlab 是基于 DeepMind Lab 建立的一个平台，通过这个平台，我们可以直接应用认知心理学等领域的方法，来研究智能体在受控环境中的行为。

今天开源这个平台，所有人都可以使用。

Psychlab 在 DeepMind Lab 虚拟实验室环境中再现了人类心理实验中常用的设置。在人类实验中，通常是受试者坐在电脑显示器前，点击鼠标来完成屏幕上出现的任务。类似，我们的环境允许虚拟受试者在虚拟计算机显示器上执行任务，通过其凝视的方向来响应。

这使得我们可以对人类和智能体进行相同的测试，从而将实验的差异最小化。此外，这样的实验使得我们更易建立起与认知心理学之间的联系，我们可以从相关文献中汲取见解。

伴随 Psychlab 的开源，我们还建立了一系列经典的实验任务，这些任务都是通过虚拟计算机显示器来运行的。这里有灵活易学的 API，其他人可以轻松构建自己的任务。

• 视觉搜索（Visual search）——测试目标搜寻大量物品的能力
• 持续识别（Continuous recognition）——测试记住不断增长的物品的能力
• 视觉运动映射（Arbitrary visuomotor mapping）——测试对刺激反应的回忆能力
• 变化检测（Change detection）——测试检测出变化的能力：检测一系列对象在经过延迟后再次出现时是否发生改变
• 视觉灵敏度和对比灵敏度（Visual acuity and contrast sensitivity）——识别较小、对比度较低的刺激物
• 全局模式检测（Glass pattern detection）——测试全局形状认知能力
• 辨别随机点动作（Random dot motion discrimination）——测试对关联动作的认知能力
• 多物体跟踪（Multiple object tracking）——测试对移动对象的追踪能力
  
  

每一项任务都经过验证，人类结果与认知心理学文献中的标准结果是一样的。

以「视觉搜索」任务为例。在复杂的刺激源中定位物体，就像在超市货架上找物品一样，已经被用于研究人类选择性注意力。

当要求人们在水平条状物里找出垂直方向的条状物，并在多种颜色的条状物里选出粉红色的，他们的反应时间不会随着屏幕上物体数量的变化而变化。换句话说，它们的反应时间是独立于设定数目的。然而，当任务是在不同形状和不同颜色的条状物中寻找粉红色的条状物时，每增加一个条状物，反应时间会增加大约 50 毫秒。

当人们在 Psychlab 上做这项任务时，结果也一样。

人类和智能体在 Psychlab 上进行视觉搜索任务时反应时间的差异

当我们在最先进的智能体上做同样的测试时，我们发现，虽然它可以执行这个任务，但它的反应时间与人类存在差异。在这三种情况下，智能体的反应时间相同。对于人类，反应时间的差异性体现了 parallel attention和 serial attention 的差异。而智能体似乎只有并行机制。认识到人类和智能体之间的这种差异，有助于我们改进未来智能体的设计。

我们设计 Psychlab 的目的是把它作为连接认知心理学、神经科学和人工智能之间的桥梁。通过开源，我们希望更广泛的研究团体能够在自己的研究中使用这个工具，并帮助我们塑造未来。