试想一下,忙于工作腾不出手时,通过一个念头,你就能给出指令,控制机械手臂完成其他任务,这将是多么奇妙的一件事。
不久前,已经有研究人员宣布成功研制出了这样的设备。当用户在脑中同时思考两项任务时,机器人可以自动识别下达的指令并执行。更特别的是,除了意念控制、多任务处理、第三只手臂这几点炫酷的功能外,它还可能有助于提高用户自身的多任务处理能力。
日本京都国际先进电信研究所的首席研究员Shuichi Nishio认为:“多任务处理能大致反映我们转换注意力的能力。如果能实现人机协同,也将有可能进一步提升人类自身的能力。”目前,他正在与同事Christian Penaloza (就职于同一家研究所)共同开发这一技术。
为了完成这项研究,Nichio和Penaloza开发了能够读取不同行为对应的人脑电波的算法。当一个人考虑执行某项任务时,比如端水杯,大脑特定区域的神经元就会产生对应电活动模式完成该项任务。而如果换一种类型的任务,比如端稳一叠摇摇欲坠的盘子,神经元就会产生另一种脑电波模式。
Nichio和Penaloza通过在头皮上放置非侵入式电极,记录了执行任务时的大脑活动。然后使用某种学习算法解释这些电极记录,区分与任务相关的活动模式。基于此,该学习算法就会根据用户意念控制机器人手臂的移动。而这种系统通常称为人机接口(BMI)。
为测试该系统,Nishio和Penaloza招募了15名身体健康的志愿者,让其同时处理多项任务,并读取他们大脑的活动。受试者穿戴电极帽坐在椅子上,用双手让桌上的球保持平衡,同时电脑会记录他们脑部的电流活动。
随后,受试者坐在相同椅子上,启动与脑部相连的机器手臂。与此同时,他们也能看到身旁抓着瓶子的机器手臂。电脑会记录他们大脑发出的神经信号,感知抓住瓶子的意图,并执行命令。
在此之后,受试者还需同时执行两项任务:平衡桌上的球和控制机器手臂。根据报告显示,在计算机的帮助下,受试者已经可以在约四分之三的测试时间内成功执行两项任务。
有些受试者在实验的多任务环节表现尤为突出。Penaloza称:“受试者的差异十分明显,表现好的受试者能保持高达85%的多任务工作时间,而表现较差的受试者只能保持52%的多任务操作时间。”他认为,实验分值低不代表BMI系统的准确性低,而是受试者转换注意力的能力较弱。
Nishio称,有趣的是,受试者能够很快学会同时执行两项任务。通常培养这种能力需经大量训练。他和Penaloza都认为,这种人机接口系统或许能直接提供正确的生物反馈,帮助人们更快学会多任务执行。他们正在研究这一现象,从而将其用于临床治疗。
Penaloza 和 Nishio表示,该设备是首个能够解读多任务思维的意念控制机器人。“通常而言,用户佩戴BMI时,需要专注于执行的任务,因此也只能完成一项任务。但借助我们的产品,用户可以同时完成两项截然不同的任务,这就是它的特别之处。”
但从目前来看,丞需开发此类技术为残疾患者提供便利,对四肢健全的人群而言,此类技术的前景尚不明朗。这一疑虑也让研究人员和哲学艺术家共同思考一个问题:如果拥有了第三只手臂,我们会如何使用它?
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。