Selbst

Feb 09, 2024

Nature Human Behavior (2023)Diesen Artikel zitieren

1 Altmetrisch

Details zu den Metriken

Ein aktueller Vorschlag für eine rechnerische Vorstellung vom Selbst ist eine Repräsentation des eigenen Körpers zu einer bestimmten Zeit und an einem bestimmten Ort, was die Anerkennung dieser Repräsentation als Akteur einschließt. Dadurch wird die Selbstdarstellung zu einem Prozess der Selbstorientierung, einem anspruchsvollen Rechenproblem für jeden menschenähnlichen Agenten. Um diesen Prozess zu untersuchen, haben wir hier mehrere „Selbstfindungs“-Aufgaben erstellt, die auf einfachen Videospielen basieren, bei denen sich Spieler (N = 124) aus einer Reihe von Kandidaten identifizieren mussten, um effektiv spielen zu können. Quantitative und qualitative Tests zeigten, dass menschliche Spieler nahezu optimal darin sind, sich selbst zu orientieren. Im Gegensatz dazu sind bekannte Deep-Reinforcement-Learning-Algorithmen, die sich hervorragend für das Erlernen viel komplexerer Videospiele eignen, alles andere als optimal. Wir schlagen vor, dass Selbstorientierung es Menschen ermöglicht, sich flexibel in neuen Umgebungen zurechtzufinden.

Dies ist eine Vorschau der Abonnementinhalte, Zugriff über Ihre Institution

Greifen Sie auf Nature und 54 weitere Nature Portfolio-Zeitschriften zu

Holen Sie sich Nature+, unser preisgünstigstes Online-Zugangsabonnement

29,99 $ / 30 Tage

jederzeit kündigen

Abonnieren Sie diese Zeitschrift

Erhalten Sie 12 digitale Ausgaben und Online-Zugriff auf Artikel

119,00 $ pro Jahr

nur 9,92 $ pro Ausgabe

Leihen oder kaufen Sie diesen Artikel

Die Preise variieren je nach Artikeltyp

ab 1,95 $

bis 39,95 $

Die Preise können örtlicher Steuern unterliegen, die beim Bezahlvorgang berechnet werden

Die Daten, die die Ergebnisse dieser Studie stützen, sind im Open Science Framework unter https://osf.io/bwzth/ verfügbar.

Der gesamte Code zur Datenanalyse und Reproduktion der Diagramme ist unter https://github.com/Ethical-Intelligence-Lab/probabilisticSelf verfügbar.

James, W., Burkhardt, F., Bowers, F. & Skrupskelis, IK The Principles of Psychology Vol. 1 (Macmillan London, 1890).

Belk, RW Erweitertes Selbst in einer digitalen Welt. J. Consum. Res. 40, 477–500 (2013).

Artikel Google Scholar

Buckner, RL & Carroll, DC Selbstprojektion und das Gehirn. Trends Cogn. Wissenschaft. 11, 49–57 (2007).

Artikel PubMed Google Scholar

Dennett, DC in Self and Consciousness 111–123 (Psychology Press, 2014).

Sui, J. & Humphreys, GW Das integrative Selbst: Wie Selbstreferenz Wahrnehmung und Erinnerung integriert. Trends Cogn. Wissenschaft. 19, 719–728 (2015).

Artikel PubMed Google Scholar

Blanke, O. & Metzinger, T. Ganzkörperillusionen und minimale phänomenale Selbstheit. Trends Cogn. Wissenschaft. 13, 7–13 (2009).

Artikel PubMed Google Scholar

Bem, DJ Selbstwahrnehmung: eine alternative Interpretation kognitiver Dissonanzphänomene. Psychol. Rev. 74, 183 (1967).

Artikel CAS PubMed Google Scholar

McConnell, AR Der Rahmen für mehrere Selbstaspekte: Darstellung des Selbstkonzepts und seine Implikationen. Persönlich. Soc. Psychol. Rev. 15, 3–27 (2011).

Artikel Google Scholar

Sanchez-Vives, MV & Slater, M. Von der Präsenz zum Bewusstsein durch virtuelle Realität. Nat. Rev. Neurosci. 6, 332–339 (2005).

Artikel CAS PubMed Google Scholar

Strawson, G. Das Selbstgefühl. London. Rev. Books 18, 126–152 (1996).

Google Scholar

Dennett, DC in Science Fiction and Philosophy: From Time Travel to Superintelligence (Hrsg. Schneider, S.) 55–68 (John Wiley & Sons, 2016).

Nozick, R. Philosophical Explanations (Harvard Univ. Press, 1981).

Perry, J. Kann sich das Selbst teilen? J. Philos. 69, 463–488 (1972).

Artikel Google Scholar

Moulin-Frier, C. et al. DAC-h3: eine proaktive kognitive Roboterarchitektur zum Erwerb und Ausdruck von Wissen über die Welt und das Selbst. IEEE Trans. Cogn. Entwickler Syst. 10, 1005–1022 (2017).

Artikel Google Scholar

Johnson, M. & Demiris, Y. Wahrnehmungsbezogene Perspektivenübernahme und Handlungserkennung. Int. J. Adv. Rauben. Syst. 2, 32 (2005).

Artikel Google Scholar

Paul, L., Ullman, TE, De Freitas, J. & Tenenbaum, J. Reverse-Engineering des Selbst. Vorabdruck unter https://doi.org/10.31234/osf.io/vzwrn (2023).

Andrychowicz, M. et al. Wiederholung der rückblickenden Erfahrung. Adv. Neuronale Information. Verfahren. Syst. 30, 5048–5058 (2017).

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

Schaul, T., Quan, J., Antonoglou, I. & Silver, D. Priorisierte Erfahrungswiedergabe. Vorabdruck unter https://doi.org/10.48550/arXiv.1511.05952 (2015).

Van Hasselt, H., Guez, A. & Silver, D. in Proc. AAAI-Konferenz zu Künstlicher Intelligenz 2094–2100 (AAAI, 2016).

Wang, Z. et al. in International Conference on Machine Learning 1995–2003 (PMLR, 2016).

Mnih, V. et al. Atari spielen mit tiefem Verstärkungslernen. Vorabdruck unter https://doi.org/10.48550/arXiv.1312.5602 (2013).

Kaiser, L. et al. Modellbasiertes Verstärkungslernen für Atari. Vorabdruck unter https://doi.org/10.48550/arXiv.1903.00374 (2019).

Dubey, R., Agrawal, P., Pathak, D., Griffiths, TL & Efros, AA Untersuchung menschlicher Prioren für das Spielen von Videospielen. Vorabdruck unter https://doi.org/10.48550/arXiv.1802.10217 (2018).

Tsividis, PA et al. Verstärkungslernen auf menschlicher Ebene durch theoriebasierte Modellierung, Erkundung und Planung. Vorabdruck unter https://doi.org/10.48550/arXiv.2107.12544 (2021).

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

Uhde, C., Berberich, N., Ramirez-Amaro, K. & Cheng, G. auf der IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 8081–8086 (IEEE, 2020).

Lanillos, P. & Cheng, G. Roboter-Selbst-/Andere-Unterscheidung: Aktive Inferenz trifft auf das Lernen neuronaler Netze im Spiegel. Vorabdruck unter https://doi.org/10.48550/arXiv.2004.05473 (2020).

Demiris, Y. & Meltzoff, A. Der Roboter in der Krippe: eine Entwicklungsanalyse der Nachahmungsfähigkeiten bei Säuglingen und Robotern. Kleinkind-Kind-Entw. Int. J. Res. Üben. 17, 43–53 (2008).

Artikel Google Scholar

Piaget, J. Die Konstruktion der Realität beim Kind. J. Consult. Psychol. 19, 77 (1955).

Artikel Google Scholar

Thrun, S. in Robotics and Cognitive Approaches to Spatial Mapping 13–41 (Springer, 2008).

Silver, D., Singh, S., Precup, D. & Sutton, RS Belohnung ist genug. Artif. Intel. 299, 103535 (2021).

Artikel Google Scholar

Botvinick, M. et al. Maschinen bauen, die selbst lernen und denken. Verhalten. Gehirnwissenschaft. 40, E255 (2017).

Botvinick, M. et al. Maschinen bauen, die selbst lernen und denken: Kommentar zu Lake et al., Behavioral and Brain Sciences, 2017. Vorabdruck unter https://doi.org/10.48550/arXiv.1711.08378 (2017).

Vul, E., Goodman, N., Griffiths, TL & Tenenbaum, JB Eins und fertig? Optimale Entscheidungen aus sehr wenigen Stichproben. Cogn. Wissenschaft. 38, 599–637 (2014).

Artikel PubMed Google Scholar

Reed, S. et al. Ein generalistischer Agent. Trans. Mach. Lernen. Res. https://openreview.net/forum?id=1ikK0kHjvj (2022).

Schrittwieser, J. et al. Beherrschen von Atari, Go, Schach und Shogi durch Planung mit einem erlernten Modell. Natur 588, 604–609 (2020).

Artikel CAS PubMed Google Scholar

Pan, X. et al. Wie Sie sich verhalten, sagt viel aus: Datenschutz-Leaking-Angriff auf Deep Reinforcement Learning. Vorabdruck unter https://doi.org/10.48550/arXiv.1904.11082 (2019).

Brockman, G. et al. OpenAI-Fitnessstudio. Vorabdruck unter https://doi.org/10.48550/arXiv.1606.01540 (2016).

Rouder, JN, Speckman, PL, Sun, D., Morey, RD & Iverson, G. Bayesianische t-Tests zur Annahme und Ablehnung der Nullhypothese. Psychon. Stier. Rev. 16, 225–237 (2009).

Artikel PubMed Google Scholar

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

Dhariwal, P. et al. Openai-Grundlinien. GitHub https://github.com/openai/baselines (2017).

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

Referenzen herunterladen

Zum Ausführen der künstlichen Modelle verwendeten wir den Rechencluster der Harvard Business School. Diese Forschung wurde von der Harvard Business School finanziert. Die Geldgeber hatten keinen Einfluss auf das Studiendesign, die Datenerfassung und -analyse, die Entscheidung zur Veröffentlichung oder die Erstellung des Manuskripts.

Marketingabteilung, Harvard Business School, Boston, MA, USA

Julian De Freitas

Fakultät für Computertechnik, Bilkent-Universität, Ankara, Türkei

Ahmet Kaan Uğuralp

Institut für Psychologie, Bilkent-Universität, Ankara, Türkei

Zeliha Oğuz-Uğuralp

Institut für Philosophie, Yale University, New Haven, CT, USA

LA Paul

Abteilung für Gehirn- und Kognitionswissenschaften, MIT, Boston, MA, USA

Joshua Tenenbaum

Abteilung für Psychologie, Harvard University, Boston, MA, USA

Tomer D. Ullman

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

JDF initiierte die Recherche, JDF, AKU und ZO-U. stellte die Daten zusammen und führte die Analysen durch, und JDF, AKU, ZO-U., LAP, JT und TDU schrieben das Manuskript.

Korrespondenz mit Julian De Freitas.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature Human Behavior dankt Nathan Faivre, Tony Prescott und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Ergänzende Abbildungen. 1–20 und Tabellen 1–20.

Springer Nature oder sein Lizenzgeber (z. B. eine Gesellschaft oder ein anderer Partner) besitzen die ausschließlichen Rechte an diesem Artikel im Rahmen einer Veröffentlichungsvereinbarung mit dem Autor bzw. den Autoren oder anderen Rechteinhabern. Die Selbstarchivierung der akzeptierten Manuskriptversion dieses Artikels durch den Autor unterliegt ausschließlich den Bedingungen dieser Veröffentlichungsvereinbarung und geltendem Recht.

Nachdrucke und Genehmigungen

De Freitas, J., Uğuralp, AK, Oğuz-Uğuralp, Z. et al. Selbstorientierung beim menschlichen und maschinellen Lernen. Nat Hum Behav (2023). https://doi.org/10.1038/s41562-023-01696-5

Zitat herunterladen

Eingegangen: 05. September 2022

Angenommen: 07. August 2023

Veröffentlicht: 31. August 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt