虽然我们非常有能力产生自己的目标，从孩子的玩耍开始，一直持续到成年，但我们还没有计算机模型来理解人类的这种能力。

然而，纽约大学的一个科学家团队现在已经创建了一个计算机模型，可以通过学习人们如何创建游戏来表示和生成类似人类的目标。发表在《自然机器智能》（Nature Machine Intelligence）杂志上的这项研究，可能会让人工智能系统更好地理解人类的意图，更忠实地建模并与我们的目标保持一致。这也可能导致人工智能系统能够帮助我们设计出更像人类的游戏。

“虽然目标是人类行为的基础，但我们对人们如何表现和提出目标知之甚少，也缺乏捕捉人类目标丰富性和创造性的模型，”该论文的主要作者、纽约大学博士生盖伊戴维森解释说。“我们的研究为理解人们如何创造和表达目标提供了一个新的框架，这有助于开发更具创造性、原创性和有效性的人工智能系统。”

尽管在目标和目标导向行为方面进行了大量的实验和计算工作，但人工智能模型仍远未捕捉到人类日常目标的丰富性。为了解决这一差距，该论文的作者研究了人类如何创造自己的目标或任务，以便潜在地阐明两者是如何产生的。

研究人员首先通过一系列在线实验捕捉人类如何描述目标设定行为。

他们把参与者放在一个虚拟的房间里，房间里有几个物体。参与者被要求想象并提出一系列有趣的目标或游戏，这些目标或游戏与房间里的东西有关——例如，先把球从墙上扔下去，然后把它弹到一个箱子里，或者用木块搭塔来堆叠游戏。研究人员记录了参与者对这些目标的描述，这些目标与设计的游戏有关——总共有近100个游戏。这些描述形成了一个游戏数据集，研究人员的模型从中学习。

虽然人类目标的产生似乎是无限的，但研究参与者所创造的目标是由有限数量的常识（目标必须在物理上是合理的）和重组（从共享的游戏玩法元素中创造新目标）的简单原则所指导的。例如，参与者制定规则，其中一个球可以被扔进垃圾箱或从墙上弹开（可行性），并结合基本的投掷元素来创造各种游戏（从墙上，到床上，从桌子上扔出去，有或没有撞倒积木，等等，作为重新组合的例子）。

然后，研究人员训练人工智能模型，使用人类参与者制定的规则和目标来创建目标导向型游戏。为了确定这些人工智能创造的目标是否与人类创造的目标一致，研究人员要求一组新的参与者根据几个属性对游戏进行评级，比如乐趣、创造力和难度。参与者对人工生成和人工智能生成的游戏进行了评分，如下图所示：

人造的游戏:

玩法：扔一个球，让它碰到墙，然后接住它或碰到它

得分：你每成功扔出一次球，球碰到墙，你要么再次握住它，要么在它飞行后再碰到它，你就得1分

AI-created游戏:

玩法：投掷躲避球，让它们落地并停在顶层架子上；游戏在30秒后结束

得分：在游戏结束时，你每得到一个放在架子上的躲避球就得1分

总体而言，人类参与者对人类创造的游戏和人工智能模型生成的游戏给出了相似的评分。这些结果表明，该模型成功地捕捉到了人类发展新目标的方式，并产生了自己的有趣目标，这些目标与人类创造的目标没有区别。

这项研究有助于我们进一步理解我们如何形成目标，以及如何将这些目标表示给计算机。它还可以帮助我们创造有助于设计游戏和其他有趣活动的系统。

该论文的其他作者是纽约大学博士生Graham Todd、纽约大学坦顿工程学院副教授Julian Togelius、纽约大学心理学系教授Todd M. Gureckis和纽约大学数据科学中心和心理学系副教授Brenden M. Lake。

作者：纽约大学

链接：https://www.sciencedaily.com/releases/2025/02/250226142050.htm

著作权归作者所有。

声明：海森大数据刊发或者转载此文只是出于传递、分享更多信息之目的，并不意味认同其观点或证实其描述。若有来源标注错误或侵犯了您的合法权益，请作者与本网联系，我们将及时更正、删除，谢谢。电话：152 6451 3609，邮箱：1027830374@qq.com