社会智能是AI的下一个重大进步

一些专家认为 AI 的下一个重大进步是发展其社会智能，这将帮助它改进与人类的交互方式。

译自 Social Intelligence Is the Next Big Step for AI 。

人工智能现在能做什么？随着诸如 ChatGPT 的大语言模型(LLM)的出现，以及能创造出惊人艺术品的生成式 AI 模型，人工智能在某些领域的能力似乎已经接近人类。

然而，AI 并非百无一失；我们已经看到 LLM 在提供医疗资源的实例中出现惨败，生成式 AI 在准确创作人类的手和牙齿图像时仍有困难(有时会产生惊人的结果)。

但是正如一些专家认为的，下一个重大进步是发展 AI 的社会智能，这将帮助它改进与人类的交互方式。当涉及到解读非语言暗示如身体语言或面部表情时，AI 仍缺乏许多我们人类认为理所当然的社交技能。为了帮助 AI 发展这些社交技能，来自中国研究人员的新研究表明，需要采用多学科方法——如适应我们对认知科学的了解，并利用计算建模有助于我们更好地识别机器学习模型和人类对应物之间的社会智能差异。

“人工社会智能（Artificial social intelligence, ASI）与我们对世界的物理理解不同，具有独特的挑战性；它高度依赖上下文，” Beijing Institute for General Artificial Intelligence(BIGAI) 的第一作者 Lifeng Fan 在声明中表示，“这里，上下文可以大到文化和常识，也可以小到两个朋友共享的经历。这种独特的挑战禁止标准算法解决真实世界环境中的 ASI 问题，而这些环境通常是复杂、模糊、动态、随机、部分可观察和多智能体的。”

需要多学科方法

虽然物理智能相对容易测量——如学习投掷球或解决抽象问题——但该团队的工作指出，扩展人工社会智能相关的许多知识发现于各自研究的子领域。

“与物理智能的机械和抽象性质形成对比，ASI 涉及当前许多单独研究的子领域，如社会感知、心智理论(ToM)和社会互动，对感知、认知组件、行为甚至测量社交技巧的心理测量方法的侧重点各不相同。”该团队写道。

然而，Fan 认为，采用更全面战略关注目前认为是社会智能的主要特征，可能会更好地揭示围绕人工社会智能的未知因素。

Fan 说：“多学科研究为 ASI 的研究提供信息和灵感：学习人类社会智能提供了发展与人类类似特征的 ASI 所需的基础、课程大纲、比较点和基准。” “我们集中在社会智能中最重要、联系最密切的三个方面：社会感知、心智理论和社会交互，因为它们建立在牢固的认知科学理论之上，这些理论为这些领域的计算模型开发提供了可用的工具。”

在认知科学领域，社会感知是指通过利用社会暗示来评估社会角色、规则和关系，从而对自己、他人和群体形成印象或推断的研究。社会感知为心智理论奠定了基础，心智理论描述了一个人通过归因他人的心理状态而理解其他人的能力——从而使某人能够对另一个人可能的感受或想法做出明智的判断。大多数专家认为，同时发展社会感知和心智理论是成功社交的关键方面。

根据该团队的说法，这种社会本能实际上可能已经在人类中硬编码。例如，正如团队在一项相关研究中描述的，人类参与者能够快速对显示器上移动形状的不同排列进行社会判断。

这幅图像显示了所谓的海德-西姆梅利刺激，它有助于演示人类可以仅根据简单几何形状的运动来感知复杂的心理状态和社会互动。

“这些心理状态组合形成了对显示的叙述性描述，例如英雄从恶霸手中救出受害者。这种对简单移动形状的解释作为动画代理是人类视觉系统推断复杂社会关系和心理状态的显着证明，仅依靠简单的运动暗示，具有最少的视觉特征。尽管它们涉及通常与更高层次的认知处理相关的印象，但此类解释在本质上似乎是感知的，即相对快速、自动、抗拒和高度刺激驱动。“

一般来说，这种复杂的社会判断对机器仍然具有挑战性，尽管有一些先前的研究表明，如果 AI 确实能掌握这些技能，它可能会与人类一样出色，特别是在需要妥协和相互合作的情况下。不过，该团队的研究强调，来自神经科学和认知科学的关键教训可能对最终开发能准确判断人类思想和感受的有情感的机器至关重要。

Fan 说:“为了加速 ASI 的未来进步，我们建议像人类一样采取更全面的方法，利用不同的学习方法，如终身学习、多任务学习、一次学习和少次学习、元学习等。” “我们需要定义新问题，创建新环境和数据集，建立新评估协议，并构建新计算模型。最终目标是为 AI 装备高级 ASI，并在人工社会智能的帮助下提高人类福祉。”