Ser

Feb 09, 2024

Naturaleza Comportamiento humano (2023)Citar este artículo

1 altmétrica

Detalles de métricas

Una propuesta actual para una noción computacional del yo es una representación del propio cuerpo en un tiempo y lugar específicos, que incluye el reconocimiento de esa representación como agente. Esto convierte la autorrepresentación en un proceso de autoorientación, un problema computacional desafiante para cualquier agente humano. Aquí, para examinar este proceso, creamos varias tareas de "autobúsqueda" basadas en videojuegos simples, en las que los jugadores (N = 124) tenían que identificarse entre un conjunto de candidatos para poder jugar de manera efectiva. Las pruebas cuantitativas y cualitativas demostraron que los jugadores humanos son casi óptimos a la hora de autoorientarse. Por el contrario, los conocidos algoritmos de aprendizaje por refuerzo profundo, que destacan en el aprendizaje de videojuegos mucho más complejos, están lejos de ser óptimos. Sugerimos que la autoorientación permite a los humanos navegar con flexibilidad en nuevos entornos.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución

Acceda a Nature y a otras 54 revistas de Nature Portfolio

Obtenga Nature+, nuestra suscripción de acceso en línea con la mejor relación calidad-precio

$29.99 / 30 días

cancelar en cualquier momento

Suscríbete a esta revista

Reciba 12 números digitales y acceso en línea a artículos

$119.00 por año

sólo $9.92 por número

Alquila o compra este artículo

Los precios varían según el tipo de artículo.

desde $ 1,95

a$39.95

Los precios pueden estar sujetos a impuestos locales que se calculan durante el pago.

Los datos que respaldan los hallazgos de este estudio están disponibles en Open Science Framework en https://osf.io/bwzth/.

Todo el código para el análisis de datos y la reproducción de los gráficos está disponible en https://github.com/Ethical-Intelligence-Lab/probabilisticSelf.

James, W., Burkhardt, F., Bowers, F. y Skrupskelis, IK Los principios de la psicología vol. 1 (Macmillan Londres, 1890).

Belk, RW El yo extendido en un mundo digital. J. Consumo. Res. 40, 477–500 (2013).

Artículo de Google Scholar

Buckner, RL & Carroll, DC La autoproyección y el cerebro. Tendencias Cogn. Ciencia. 11, 49–57 (2007).

Artículo PubMed Google Scholar

Dennett, DC en Yo y la conciencia 111–123 (Psychology Press, 2014).

Sui, J. & Humphreys, GW El yo integrador: cómo la autorreferencia integra la percepción y la memoria. Tendencias Cogn. Ciencia. 19, 719–728 (2015).

Artículo PubMed Google Scholar

Blanke, O. y Metzinger, T. Ilusiones de cuerpo completo y personalidad fenomenal mínima. Tendencias Cogn. Ciencia. 13, 7-13 (2009).

Artículo PubMed Google Scholar

Bem, DJ Autopercepción: una interpretación alternativa de los fenómenos de disonancia cognitiva. Psicólogo. Rev. 74, 183 (1967).

Artículo CAS PubMed Google Scholar

McConnell, AR El marco de los múltiples aspectos del yo: representación del autoconcepto y sus implicaciones. Personal. Soc. Psicólogo. Rev. 15, 3–27 (2011).

Artículo de Google Scholar

Sanchez-Vives, MV & Slater, M. De la presencia a la conciencia a través de la realidad virtual. Nat. Rev. Neurociencias. 6, 332–339 (2005).

Artículo CAS PubMed Google Scholar

Strawson, G. El sentido del yo. Londres. Rev. Libros 18, 126-152 (1996).

Google Académico

Dennett, DC en Ciencia ficción y filosofía: del viaje en el tiempo a la superinteligencia (ed. Schneider, S.) 55–68 (John Wiley & Sons, 2016).

Nozick, R. Explicaciones filosóficas (Harvard Univ. Press, 1981).

Perry, J. ¿Puede el yo dividirse? J. Filos. 69, 463–488 (1972).

Artículo de Google Scholar

Moulin-Frier, C. et al. DAC-h3: una arquitectura cognitiva robótica proactiva para adquirir y expresar conocimientos sobre el mundo y uno mismo. Traducción IEEE. Cogn. Desarrollo. Sistema. 10, 1005–1022 (2017).

Artículo de Google Scholar

Johnson, M. & Demiris, Y. Toma de perspectiva perceptiva y reconocimiento de acciones. En t. J. Adv. Robar. Sistema. 2, 32 (2005).

Artículo de Google Scholar

Paul, L., Ullman, TE, De Freitas, J. y Tenenbaum, J. Ingeniería inversa del yo. Preimpresión en https://doi.org/10.31234/osf.io/vzwrn (2023).

Andrychowicz, M. et al. Repetición de la experiencia en retrospectiva. Adv. Información neuronal. Proceso. Sistema. 30, 5048–5058 (2017).

Hausknecht, M. & Stone, P. en 2015 AAAI Fall Symposium Series 29–37 (AAAI, 2015).

Schaul, T., Quan, J., Antonoglou, I. y Silver, D. Repetición de experiencias priorizadas. Preimpresión en https://doi.org/10.48550/arXiv.1511.05952 (2015).

Van Hasselt, H., Guez, A. y Silver, D. en Proc. Conferencia AAAI sobre Inteligencia Artificial 2094-2100 (AAAI, 2016).

Wang, Z. y col. en la Conferencia Internacional sobre Aprendizaje Automático 1995-2003 (PMLR, 2016).

Mnih, V. y col. Jugar a Atari con aprendizaje por refuerzo profundo. Preimpresión en https://doi.org/10.48550/arXiv.1312.5602 (2013).

Kaiser, L. y col. Aprendizaje por refuerzo basado en modelos para Atari. Preimpresión en https://doi.org/10.48550/arXiv.1903.00374 (2019).

Dubey, R., Agrawal, P., Pathak, D., Griffiths, TL y Efros, AA Investigación de los antecedentes humanos de los videojuegos. Preimpresión en https://doi.org/10.48550/arXiv.1802.10217 (2018).

Tsividis, PA y cols. Aprendizaje por refuerzo a nivel humano a través de modelado, exploración y planificación basados ​​en teoría. Preimpresión en https://doi.org/10.48550/arXiv.2107.12544 (2021).

Tsividis, PA, Pouncey, T., Xu, JL, Tenenbaum, JB y Gershman, SJ en 2017 AAAI Spring Symposium Series 643–646 (AAAI, 2017).

Uhde, C., Berberich, N., Ramirez-Amaro, K. & Cheng, G. en la Conferencia internacional IEEE/RSJ sobre robots y sistemas inteligentes (IROS) 8081–8086 de 2020 (IEEE, 2020).

Lanillos, P. & Cheng, G. Distinción entre el robot y el otro: la inferencia activa se encuentra con el aprendizaje de redes neuronales en un espejo. Preimpresión en https://doi.org/10.48550/arXiv.2004.05473 (2020).

Demiris, Y. & Meltzoff, A. El robot en la cuna: un análisis del desarrollo de las habilidades de imitación en bebés y robots. Desarrollo infantil infantil. En t. J.Res. Practica. 17, 43–53 (2008).

Artículo de Google Scholar

Piaget, J. La construcción de la realidad en el niño. J. Consultar. Psicólogo. 19, 77 (1955).

Artículo de Google Scholar

Thrun, S. en Robótica y enfoques cognitivos para el mapeo espacial 13–41 (Springer, 2008).

Silver, D., Singh, S., Precup, D. & Sutton, RS La recompensa es suficiente. Artif. Intel. 299, 103535 (2021).

Artículo de Google Scholar

Botvinick, M. y col. Construir máquinas que aprendan y piensen por sí mismas. Comportamiento. Ciencia del cerebro. 40, E255 (2017).

Botvinick, M. y col. Construir máquinas que aprendan y piensen por sí mismas: comentario sobre Lake et al., Behavioral and Brain Sciences, 2017. Preimpresión en https://doi.org/10.48550/arXiv.1711.08378 (2017).

Vul, E., Goodman, N., Griffiths, TL y Tenenbaum, JB ¿Uno y listo? Decisiones óptimas a partir de muy pocas muestras. Cogn. Ciencia. 38, 599–637 (2014).

Artículo PubMed Google Scholar

Reed, S. y col. Un agente generalista. Trans. Mach. Aprender. Res. https://openreview.net/forum?id=1ikK0kHjvj (2022).

Schrittwieser, J. y col. Dominar Atari, Go, ajedrez y shogi planificando con un modelo aprendido. Naturaleza 588, 604–609 (2020).

Artículo CAS PubMed Google Scholar

Pan, X. y col. La forma en que actúas dice mucho: ataque de fuga de privacidad al aprendizaje por refuerzo profundo. Preimpresión en https://doi.org/10.48550/arXiv.1904.11082 (2019).

Brockman, G. y col. Gimnasio OpenAI. Preimpresión en https://doi.org/10.48550/arXiv.1606.01540 (2016).

Rouder, JN, Speckman, PL, Sun, D., Morey, RD & Iverson, G. Pruebas t bayesianas para aceptar y rechazar la hipótesis nula. Psicón. Toro. Rev. 16, 225–237 (2009).

Artículo PubMed Google Scholar

Hill, A., Raffin, A., Ernestus, M., Gleave, A. y Kanervisto, A. líneas de base estables. GitHub https://github.com/Stable-Baselines-Team/stable-baselines (2018).

Dhariwal, P. y col. Líneas base de Openai. GitHub https://github.com/openai/baselines (2017).

Weitkamp, ​​L. opción-crítica-pytorch. GitHub https://github.com/lweitkamp/option-critic-pytorch (2019).

Descargar referencias

Para ejecutar los modelos artificiales, utilizamos el clúster informático de la Harvard Business School. Esta investigación fue financiada por la Escuela de Negocios de Harvard. Los financiadores no tuvieron ningún papel en el diseño del estudio, la recopilación y análisis de datos, la decisión de publicar o la preparación del manuscrito.

Unidad de Marketing, Harvard Business School, Boston, MA, EE. UU.

Julián De Freitas

Departamento de Ingeniería Informática, Universidad Bilkent, Ankara, Turquía

Ahmet Kaan Uğuralp

Departamento de Psicología, Universidad Bilkent, Ankara, Turquía

Zeliha Oğuz-Uğuralp

Departamento de Filosofía, Universidad de Yale, New Haven, CT, EE. UU.

LA Pablo

Departamento de Ciencias Cognitivas y del Cerebro, MIT, Boston, MA, EE. UU.

Joshua Tenenbaum

Departamento de Psicología, Universidad de Harvard, Boston, MA, EE. UU.

Tomer D. Ullman

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

JDF inició la investigación, JDF, AKU y ZO-U. reunió los datos y realizó los análisis, y JDF, AKU, ZO-U., LAP, JT y TDU escribieron el manuscrito.

Correspondencia a Julián De Freitas.

Los autores declaran no tener conflictos de intereses.

Nature Human Behavior agradece a Nathan Faivre, Tony Prescott y los demás revisores anónimos por su contribución a la revisión por pares de este trabajo.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Higos suplementarios. 1–20 y Tablas 1–20.

Springer Nature o su licenciante (por ejemplo, una sociedad u otro socio) posee los derechos exclusivos de este artículo en virtud de un acuerdo de publicación con los autores u otros titulares de derechos; El autoarchivo por parte del autor de la versión manuscrita aceptada de este artículo se rige únicamente por los términos de dicho acuerdo de publicación y la ley aplicable.

Reimpresiones y permisos

De Freitas, J., Uğuralp, AK, Oğuz-Uğuralp, Z. et al. Autoorientación en el aprendizaje humano y automático. Comportamiento Nat Hum (2023). https://doi.org/10.1038/s41562-023-01696-5

Descargar cita

Recibido: 05 de septiembre de 2022

Aceptado: 07 de agosto de 2023

Publicado: 31 de agosto de 2023

DOI: https://doi.org/10.1038/s41562-023-01696-5

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt