摘要：现在，一组科学家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代表和产生类似人类的目标。这项工作可能导致AI系统更好地理解人类意图，并更忠实地建模并与我们的目标保持一致。这也可能导致AI系统可以帮助我们设计更多类似人类的游戏。...
尽管我们非常有能力产生自己的目标，从孩子的比赛开始并持续成年，但我们还没有计算机模型来理解这种人类能力。
但是，纽约大学科学家团队现在创建了一个计算机模型，可以通过学习人们的创作方式来代表和产生类似人类的目标。日记中报道的作品自然机器智能，可能导致AI系统更好地理解人类意图，并更忠实地建模并与我们的目标保持一致。这也可能导致AI系统可以帮助我们设计更多类似人类的游戏。
该论文的主要作者兼纽约大学博士生盖伊·戴维森（Guy Davidson）解释说：“尽管目标是人类行为的基础，但我们对人们如何代表和提出了目标，并且缺乏捕捉人类生成目标的丰富性和创造力的模型。” “我们的研究为了解人们如何创建和代表目标提供了一个新的框架，这可以帮助发展更具创造力，原始和有效的AI系统。”
尽管有关目标和面向目标的行为的实验和计算工作大量，但AI模型仍然远远无法捕捉到日常人类目标的丰富性。为了解决这一差距，本文的作者研究了人类如何创建自己的目标或任务，以便可能阐明两者的生成方式。
研究人员首先通过一系列在线实验来捕捉人类如何描述目标设定动作。
他们将参与者置于包含几个物体的虚拟房间。要求参与者想象并提出与房间内容物相关的广泛的嬉戏目标或游戏 - 例如，首先将其从墙壁上扔掉或堆叠涉及涉及木制砌块的塔楼的游戏将球弹跳到垃圾箱中。研究人员记录了参与者对与设计游戏有关的这些目标的描述 - 总共将近100场比赛。这些描述构成了研究人员模型从中学到的游戏数据集。
尽管人物目标似乎似乎是无限的，但创建的目标研究参与者的指导下是有限数量的常识的简单原则（目标必须在物理上是可行的）和重组（新目标是由共享的游戏元素创建的）。例如，参与者创建了一个规则，在该规则中，可以将球现实地扔进垃圾箱或从墙壁上弹起（合理性），并结合基本的投掷元素来创建各种游戏（从墙上，躺在床上，从床上，从桌子上扔，有或没有敲门块等，例如重新组合的例子）。
然后，研究人员培训了AI模型，以人类参与者制定的规则和目标创建面向目标的游戏。为了确定这些AI创建的目标是否与人类创造的目标保持一致，研究人员要求一组新的参与者按照几种属性（例如乐趣，创造力和困难）进行对游戏的评价。参与者对人类生成和AI制作的游戏进行了评分，如下示例：
人类创建的游戏：
游戏玩法：扔一个球，使其触摸墙壁，然后抓住它或触摸它
得分：每次成功扔球时，您都会得到1分
AI创建的游戏：
游戏玩法：投掷躲避球，以便他们降落并安息在顶部架子上；游戏在30秒后结束
得分：每个躲避球在比赛结束时都搁在顶部的架子上的1分
总体而言，人类参与者对人类创建的游戏和AI模型产生的游戏给出了类似的评分。这些结果表明，该模型成功地捕捉了人类制定新目标的方式，并产生了自己的嬉戏目标，这些目标与人类创造的目标是无法区分的。
这项研究有助于我们进一步理解我们如何建立目标，以及如何将这些目标代表到计算机。它还可以帮助我们创建有助于设计游戏和其他嬉戏活动的系统。
该论文的其他作者是纽约大学博士生的Graham Todd，纽约大学Tandon工程学院的副教授Julian Togelius，纽约大学心理学系教授Todd M. Gureckis，Brenden M. Lake，纽约大学数据科学和心理学中心的副教授Brenden M. Lake。
这项研究得到了国家科学基金会（1922658，BCS 2121102）的资助。
