Forskargrupper på KAIST, universitetet i Cambridge, Japans nationella institut för information och kommunikationsteknik, och Google DeepMind hävdar att vår förståelse för hur människor fattar intelligenta beslut nu har nått en kritisk punkt där robotintelligens kan förbättras avsevärt genom att efterlikna strategier som den mänskliga hjärnan använder när vi fattar beslut i våra vardagsliv.

I vår snabbt föränderliga värld, både människor och autonoma robotar behöver ständigt lära sig och anpassa sig till nya miljöer. Men skillnaden är att människor kan fatta beslut enligt de unika situationerna, medan robotar fortfarande förlitar sig på förutbestämda data för att fatta beslut.

Trots de snabba framsteg som gjorts för att stärka robotarnas fysiska förmåga, deras centrala styrsystem, som styr hur robotar bestämmer vad de ska göra när som helst, är fortfarande sämre än människors. Särskilt, de förlitar sig ofta på förprogrammerade instruktioner för att styra sitt beteende, och saknar kännetecknet för mänskligt beteende, det är, flexibiliteten och förmågan att snabbt lära sig och anpassa sig.

Tillämpa neurovetenskap inom robotik, Professor Sang Wan Lee från Institutionen för bio- och hjärnteknik, KAIST och professor Ben Seymour från University of Cambridge och Japans nationella institut för informations- och kommunikationsteknik föreslog ett fall där robotar skulle utformas utifrån principerna för den mänskliga hjärnan. De hävdar att robotintelligens kan förbättras avsevärt genom att efterlikna strategier som den mänskliga hjärnan använder under beslutsprocesser i vardagen.

Problemet med att importera mänsklig intelligens till robotar har alltid varit en svår uppgift utan att känna till beräkningsprinciperna för hur den mänskliga hjärnan fattar beslut-med andra ord, hur man översätter hjärnaktivitet till datorkod för robotarnas "hjärnor".

Dock, forskare hävdar nu att efter en rad senaste upptäckter inom beräkningsneurovetenskap, det finns tillräckligt med denna kod för att effektivt skriva in den i robotar. Ett av exemplen som upptäcks är den mänskliga hjärnans 'metakontroller', en mekanism genom vilken hjärnan bestämmer hur man växlar mellan olika delsystem för att utföra komplexa uppgifter. Ett annat exempel är det mänskliga smärtsystemet, vilket gör att de kan skydda sig själva i potentiellt farliga miljöer. "Att kopiera hjärnans kod för dessa kan kraftigt öka flexibiliteten, effektivitet, och säkerhet för robotar, "Sade professor Lee.

Teamet hävdade att detta tvärvetenskapliga tillvägagångssätt kommer att ge lika många fördelar för neurovetenskap som för robotik. Den senaste explosionen av intresse för vad som ligger bakom psykiatriska störningar som ångest, depression, och missbruk har gett upphov till en uppsättning sofistikerade teorier som är komplexa och svåra att testa utan någon form av avancerad lägesplattform.

Professor Seymour förklarade, "Vi behöver ett sätt att modellera den mänskliga hjärnan för att hitta hur den interagerar med världen i verkligheten för att testa om och hur olika avvikelser i dessa modeller ger upphov till vissa störningar. Till exempel, om vi kunde reproducera ångestbeteende eller tvångssyndrom i en robot, vi kunde då förutsäga vad vi behöver göra för att behandla det hos människor. "

Teamet förväntar sig att producera robotmodeller av olika psykiatriska störningar, på ett liknande sätt som hur forskare använder djurmodeller nu, kommer att bli en viktig framtida teknik inom klinisk forskning.

Teamet uppgav också att det också kan finnas andra fördelar för människor och intelligent robotinlärning, verkande, och beter sig på samma sätt. I framtida samhällen där människor och robotar lever och arbetar mellan varandra, förmågan att samarbeta och känna med robotar kan vara mycket större om vi känner att de tänker som vi.

Professor Seymour sa:"Vi kanske tror att det skulle vara till nackdel att ha robotar med de mänskliga egenskaperna att vara lite impulsiva eller försiktiga. men dessa egenskaper är en oundviklig biprodukt av mänsklig intelligens. Och det visar sig att detta hjälper oss att förstå mänskligt beteende som mänskligt. "

Ramen för att uppnå denna hjärninspirerade artificiella intelligens publicerades i två tidskrifter, Science Robotics den 16 januari och Nuvarande åsikt i beteendevetenskap den 6 februari, 2019.