《Frontiers in Neurorobotics》：ISEED: an always-on cognitive architecture for experience-driven interaction-oriented humanoid robots
编辑推荐：
当前面向社交机器人的认知架构，即便被设想为自主且可适应的，在很大程度上仍植根于完全数字化的冯·诺依曼式范式，其中习得的知识与个体经验相脱离。这与生物认知形成鲜明对比——在生物认知中，学习产生于持续的具身交互，进而形成个人的、不可复制的胜任能力。在本视角性论文中
当前面向社交机器人的认知架构，即便被设想为自主且可适应的，在很大程度上仍植根于完全数字化的冯·诺依曼式范式，其中习得的知识与个体经验相脱离。这与生物认知形成鲜明对比——在生物认知中，学习产生于持续的具身交互，进而形成个人的、不可复制的胜任能力。在本视角性论文中，研究人员认为，要实现真正自适应且具有社会情境性的机器人智能体，需要向混合型、生物启发的常开架构（always-on architecture）进行范式转变，在该架构中，动态的、可数字化实现的组件共存。此类架构支持持续活动、结构可塑性和经验依赖学习，使知识能够从分布式交互中涌现并强化，而非源于可复制的参数。研究人员勾勒出一条路线图，其中具身性（embodiment）、动力系统（dynamical systems）、内生价值（endogenous values）和社会化学习机制是此类认知架构的核心设计原则，并讨论了这些理念如何超越感觉运动技能，向研究人员认为对社会机器人至关重要的方向扩展。这些原则目前正在一项生物启发倡议（iCog）中探索，旨在开发ISEED（面向交互的情境化具身经验驱动，Interaction-oriented Situated Embodied Experience-Driven）认知架构——一个面向人形社交机器人的框架，旨在作为实施和验证混合型、经验驱动方法的测试平台，以实现真实世界中的协作型机器人伙伴。
论文解读
一、研究背景与问题
当前社交机器人的认知架构大多建立在完全数字化的冯·诺依曼式范式之上，知识以静态参数形式编码，与个体经验相脱离。尽管以大语言模型（LLM）为基础的机器人系统在感知、推理和具身交互方面取得了显著进展，但这类系统仍存在若干根本性局限。首先，大规模数据和模型规模的扩张并不能保证知识对真实世界情境细微差异的泛化能力；其次，数据采集和模型规模扩展已引发环境、经济和社会层面的担忧；第三，这些系统主要围绕外部指定的任务进行设计和评估，而非由智能体对自身环境和需求的持续适应所驱动；第四，其内部机制的可解释性和透明性仍远不及生物认知智能体，生成的解释未必揭示产生决策的实际过程。研究人员将这些局限归因于认知智能体缺乏连续性、适应性和发展性基础，并将其称为“认识论断层线”，这阻碍了非专业用户预测机器人行为、生成有事实依据的适应动机以及以情境敏感方式教授机器人新能力。
二、研究内容与核心观点
研究人员提出，实现真正自适应且具有社会情境性的机器人智能体需要向混合型、生物启发的常开架构进行范式转变。研究人员将这种基于第一手经验、支持智能体持续生存导向适应的知识形成过程称为人工认知（Artificial Cognition, ACo）。研究确立了认知发展的两个基础条件：经验作为持续的、情境化的、以智能体为中心的过程；以及智能体作为“晚成性”（altricial）实体，即从一开始就设计为不仅依赖自身能力、更依赖与其他社会认知智能体的交互而发展。在此基础上，研究人员将认知智能体视为随时间演化的多平行回路动力系统，并识别出三大核心支柱：具身性（embodiment）、记忆（memory）和价值（values）。具身性将认知锚定于具身交互中；记忆将经验跨时间整合为连贯、演化且个性化的结构；价值则通过定义何者相关、可取和值得追求来引导行动并赋予其意义。
三、关键技术与方法
研究人员在iCog倡议框架下开发了ISEED认知架构，并将其具身于ICubHead——一个6自由度（DoF）的iCub机器人头部，配备RGB摄像头和外置立体麦克风。系统无显式任务，其行为由好奇心启发的原始动机驱动，即关注破坏知觉一致性并可能揭示社会意义模式的环境偏差。架构由四个模块组成：多模态感知模块（Multimodal Perception）实时处理RGB视频和音频，提取人脸数量、相互凝视、运动、光照和立体音频能量五种人类早期发展敏感特征；具身行为模块（Embodied Behavior）通过静止与凝视探索交替控制ICubHead，实现主动感知；情节分割模块（Episode Segmentation）将感官数据和关节状态同步为带时间戳的事件对象，再分组为情节，分割由好奇心驱动触发；联想记忆模块（Associative Memory）提供情节编码、巩固、识别和时间期望四种功能，使用SlowFast和VGGish预训练模型生成528维多模态嵌入，并通过无监督降维和基于密度的聚类进行日常巩固。实验部署于两个环境：意大利技术研究院（IIT）开放办公室（4天24小时449个情节）和国际会议演示环节（3天15小时2304个情节）。
四、研究结果
实验里程碑： 从观察的最初几天起，该架构自主将经验组织为两个不同聚类，系统学会了区分活跃情节（人脸、相互凝视、运动和音频水平较高）与平静情节（很少或没有人类活动），表明社会意义规律可直接从第一人称多模态经验中提取。即使合并两个环境的经验，联想结构仍保持连贯，表明所学表征既对环境敏感又具有增量组合性。
识别准确性： 研究人员评估了情节在实时和日常巩固后是否获得相同情境标签。办公室环境中识别准确率从第1天的0.23稳步提升至第2天的0.87和第3天的0.93；会议环境中第1天为0.83、第2天为0.73，表明在中等规律环境中，iSEED能逐步形成支持识别的稳定联想结构。
时间稳定性： 研究人员评估了情境标签在连续天数间是否保持一致。办公室环境的时间稳定性从第0天的0.61提升至第1天的0.76和第2天的0.79；会议环境第0天为0.79、第1天为0.77，表明联想结构在跨天尺度上保持合理稳定。
期望一致性： 研究人员评估了实时情境是否与基于先前经验最可能发生的情境匹配。办公室环境的期望一致性从第1天的0.24跃升至第2天的0.95和第3天的0.96；会议环境则较低（第1天0.26、第2天0.08），这归因于会议环境更高的变异性和不同记录日程。结果表明架构性能取决于所经历环境的规律性和可预测性，符合基于第一手发展经验而非预标记抽象的记忆预期。
五、讨论与结论
研究人员指出，iSEED目前仍是初步实现，下一步将从概念验证转向具有自身内在时间动力学的模块，使感知、分割、记忆和识别过程连续展开并在多时间尺度上交互。同时，研究人员正在使iSEED闭合认知回路，即根据感知情境、过往经验和智能体价值决定如何行动，情境识别需变为连续在线而非仅在情节完成后可用。研究人员还探索了“机器人托儿所”（The Robotic Nursery）这一发展启发的补充范式，使人工智能体在受控但自然的条件下逐步获得更丰富的感觉运动、社会和情境经验。
研究结论部分指出，该论文勾勒了一条使社交机器人通过发展、个人经验和联想记忆来学习和适应的路线图，而非仅依赖预指定能力。iSEED围绕具身性、记忆和价值三大支柱构建，支持持续具身感知、自主情节分割、联想规律形成以及情境识别和时间期望的早期形式。更广泛地，该视角挑战了当前对通用机器人智能的追求——单一预训练模型被期望为跨任务、环境和用户提供普适解决方案。研究人员认为，现实机器人应用真正需要的不是一刀切的智能体，而是能够逐步成为其特定社会环境所要求的样子的个性化、情境化、具身化智能体。长期目标并非完全取代预训练，而是将其视为一种“进化背景”，用于引导常开发展机制，使机器人成为真正自适应、具有社会意义和个人情境性的智能体。
