Active Inference with a Self-Prior in the Mirror-Mark Task

Questo studio presenta un modello computazionale basato sull'inferenza attiva e su un "self-prior" implementato con un Transformer, che spiega come un agente simulato possa sviluppare spontaneamente la capacità di riconoscere e rimuovere un segno sul proprio corpo allo specchio, offrendo una spiegazione unificata per l'origine della consapevolezza di sé.

L'essenziale

Immagina di essere un neonato che guarda per la prima volta allo specchio. Non sai ancora chi sei, non hai un'etichetta che dice "questo sono io". Ma se qualcuno ti mette un adesivo colorato sulla fronte, cosa fai? Ti tocchi la fronte per toglierlo?

Questo è il famoso "Test del Rosso" (o test della macchia), usato da decenni per capire se un animale (o un bambino) ha la consapevolezza di sé. Se passi il test, significa che hai capito che quell'immagine nello specchio non è un altro bambino, ma sei tu.

Il paper che hai condiviso racconta una storia affascinante: come abbiamo insegnato a un "bambino robotico" virtuale a superare questo test, senza dirgli mai cosa fare e senza dargli premi.

Ecco come funziona, spiegato con parole semplici e qualche metafora.

1. Il Problema: Come fa il robot a sapere che "quello" è "lui"?

Di solito, per insegnare a un computer a fare cose, gli diamo un obiettivo chiaro: "Se togli l'adesivo, ottieni un punto!". Ma nella vita reale, i bambini non imparano perché qualcuno gli dà un punto. Imparano perché c'è qualcosa che non va.

I ricercatori si sono chiesti: Possiamo creare un'intelligenza artificiale che agisce solo per "sistemare" le cose che le sembrano strane, senza bisogno di premi esterni?

2. La Soluzione: Il "Ricordo di Sé" (Self-Prior)

Immagina che il nostro robot abbia una memoria interna chiamata "Self-Prior" (Priorità di Sé).

• Come funziona: Per mesi, il robot ha guardato allo specchio e ha visto il suo viso "normale", senza adesivi. Ha imparato a memoria come si sente e come appare il suo corpo quando è "a posto". È come se avesse un album fotografico mentale di tutte le sue esperienze quotidiane.
• La metafora: Pensa a quando entri in una stanza e senti subito che "manca qualcosa" o che c'è un odore strano. Non hai bisogno di qualcuno che ti dica "c'è un topo", il tuo cervello confronta la situazione attuale con la tua memoria di come dovrebbe essere la stanza. Se c'è una discrepanza, ti allerta.

3. L'Esperimento: L'Adesivo Magico

Ora, mettiamo un adesivo sulla faccia del robot mentre guarda allo specchio.

• Il robot guarda lo specchio.
• Il suo "Ricordo di Sé" dice: "Aspetta, io so come sono fatto. So come mi sento quando muovo il braccio. Ma ora vedo qualcosa di diverso: c'è quel puntino rosso!"
• C'è un conflitto tra ciò che si aspetta (il suo corpo normale) e ciò che vede (il corpo con l'adesivo).

Secondo la teoria usata in questo studio (l'Inferenza Attiva), il cervello (o il robot) odia il disordine e l'incertezza. Vuole ridurre quella "stranezza".
Quindi, il robot non pensa: "Devo togliere l'adesivo per fare un bel gesto".
Pensa invece: "C'è qualcosa che non torna con la mia immagine. Devo muovermi per far tornare tutto normale".

4. Il Risultato: Un'azione spontanea

Il robot, usando solo la vista e la sensazione delle sue articolazioni (senza toccare l'adesivo con la mano per sentirlo), allunga la mano verso lo specchio, trova l'adesivo e lo toglie.

• La magia: Lo fa in circa il 70% dei casi, senza che nessuno gli abbia mai detto "togli l'adesivo" e senza che gli sia stato dato nessun premio.
• Perché lo fa? Perché appena l'adesivo è via, il "rumore" nella sua mente sparisce. La sua immagine nello specchio torna ad essere coerente con il suo "Ricordo di Sé". È come se il cervello dicesse: "Ah, ecco! Ora tutto torna a posto. Finalmente sono di nuovo 'io'."

5. Perché è importante?

Questo studio è rivoluzionario perché suggerisce che la consapevolezza di sé non è un concetto magico o complicato che dobbiamo insegnare con regole rigide.
È semplicemente la capacità di riconoscere la propria "normalità".

• Se il tuo corpo nello specchio corrisponde a quello che ti aspetti (il tuo "Ricordo di Sé"), sei tranquillo.
• Se c'è una differenza (un adesivo, un oggetto strano), il tuo cervello ti spinge a muoverti per risolvere il mistero.

In sintesi

I ricercatori hanno creato un robot che ha imparato a dire "Quello sono io" non perché gli è stato insegnato, ma perché ha imparato a riconoscere quando qualcosa non è "io".
È come se il robot avesse un muscolo interno della curiosità: quando vede qualcosa che non combacia con la sua storia personale, si muove per sistemare la cosa.

Questo ci dice che la consapevolezza di sé potrebbe essere nata proprio così: non come un'idea filosofica, ma come un semplice meccanismo biologico per mantenere la nostra immagine del mondo coerente e priva di "errori".

Sommario tecnico

Titolo: Inferenza Attiva con un "Self-Prior" nel Task del Segno allo Specchio

1. Il Problema

Il test del riconoscimento di sé allo specchio (Mirror Self-Recognition Test) è un indicatore fondamentale della consapevolezza di sé, valutando se un soggetto tocchi un segno posto sul proprio corpo visibile solo attraverso uno specchio.

• Sfida Computazionale: Sebbene esistano modelli computazionali che spiegano il riconoscimento, la maggior parte di essi si basa su trasformazioni esplicite delle coordinate o su rappresentazioni intermedie apprese per distinguere "sé" da "altro".
• Il Gap: Manca una spiegazione su come un comportamento diretto verso il segno (es. rimuoverlo) possa emergere spontaneamente dall'esperienza dell'agente, senza ricompense esterne, obiettivi espliciti o moduli progettati manualmente per localizzare il segno. La domanda centrale è: come può un agente generare这种行为 basandosi solo sulla propria esperienza sensoriale?

2. Metodologia

Gli autori propongono un modello computazionale basato sul Principio dell'Energia Libera e sull'Inferenza Attiva, integrando un nuovo componente chiamato Self-Prior.

• Ambiente di Simulazione:

  • Un agente simulato (un "bambino" robotico) è seduto davanti a uno specchio sulla piattaforma EMFANT (basata su MuJoCo).
  • L'agente possiede 12 gradi di libertà (collo, spalle, gomiti) e riceve input visivi (RGB dalla telecamera dell'occhio destro) e propriocettivi (angoli delle articolazioni).
  • Vincolo Critico: Non viene fornito input tattile. L'agente deve basarsi esclusivamente su visione e proprioccezione per rimuovere un adesivo posto sul viso.

• Architettura del Modello:
  Il sistema si basa su tre moduli principali:

  1. Modello del Mondo (World Model): Utilizza una variante di STORM (basata su DreamerV3) con un encoder/decoder VAE e un Transformer. Comprime gli input visivi e propriocettivi in uno stato latente discreto e predice le dinamiche temporali.
  2. Self-Prior (Prior di Sé): È il cuore dell'innovazione. Implementato come un Transformer simile a GPT, apprende la densità di probabilità delle esperienze multisensoriali "familiari" (stati senza adesivo) nello spazio latente. Non è un obiettivo esterno, ma una distribuzione appresa dall'esperienza quotidiana.
  3. Rete di Politica (Policy Network): Seleziona le azioni minimizzando l'Energia Libera Attesa (Expected Free Energy - EFE).

• Meccanismo di Apprendimento:

  • Il Self-Prior viene addestrato su episodi senza adesivi, creando una rappresentazione probabilistica di un "corpo familiare".
  • Quando appare un adesivo, l'osservazione corrente si discosta dalla distribuzione appresa dal Self-Prior.
  • L'agente, cercando di minimizzare l'energia libera (riducendo la discrepanza tra l'osservazione attuale e il Self-Prior), genera spontaneamente azioni per raggiungere e rimuovere l'adesivo, senza che gli sia mai stato detto di farlo.

3. Risultati Chiave

Gli esperimenti sono stati condotti su 50.000 episodi di addestramento.

• Comportamento Emergente: L'agente ha imparato a localizzare e rimuovere l'adesivo dal proprio viso guardandosi allo specchio con una probabilità di successo di circa il 70%, senza alcun input tattile o ricompensa esterna.
• Energia Libera Attesa (EFE):
  • È stato osservato un calo significativo dell'EFE dopo la rimozione dell'adesivo (media di 12.00 unità in meno rispetto alla presenza dell'adesivo).
  • Questo conferma che il Self-Prior funge da criterio interno: l'agente agisce per riportare lo stato sensoriale in una regione ad alta probabilità (familiare).
• Dinamiche di Apprendimento:
  • La distanza media tra la mano e l'adesivo è diminuita gradualmente durante l'addestramento, anche prima che il tasso di successo raggiungesse il 50%, suggerendo che l'agente riconosceva il segno prima di riuscire fisicamente a rimuoverlo.
  • Il tasso di successo è passato dal 20% all'inizio al 70% alla fine dell'addestramento.
• Validazione del Self-Prior:
  • Campionando dal Self-Prior, si ottengono rappresentazioni di un corpo senza adesivi.
  • La ricostruzione di uno stato latente "con adesivo" attraverso il Self-Prior rimuove virtualmente l'adesivo, dimostrando che il modello ha appreso l'associazione cross-modale tra visione e proprioccezione (uno schema corporeo probabilistico).

4. Contributi Principali

1. Emergenza Spontanea: Dimostrazione che il comportamento di rimozione del segno può emergere da un unico meccanismo (minimizzazione dell'energia libera rispetto a un Self-Prior) senza ricompense esterne o obiettivi espliciti.
2. Self-Prior come Schema Corporeo: Il Self-Prior agisce come una rappresentazione probabilistica del sé, funzionale allo schema corporeo, che guida l'azione basandosi sulla discrepanza multisensoriale piuttosto che su una mappatura esplicita delle coordinate.
3. Unificazione Teorica: Offre una base computazionale unificata per l'origine dello sviluppo della consapevolezza di sé, suggerendo che la distinzione tra "sé" e "non-sé" può derivare dalla densità delle esperienze sensoriali familiari.
4. Validazione in Ambiente Simulato: Implementazione end-to-end che utilizza solo pixel grezzi e proprioccezione, evitando la necessità di elaborazione manuale delle caratteristiche o trasformazioni di coordinate.

5. Significato e Implicazioni

• Teoria dell'Induzione: Il modello supporta la teoria induttiva del riconoscimento allo specchio, che richiede l'abbinamento cinestetico-visivo e la comprensione della corrispondenza speculare, senza necessariamente richiedere la permanenza dell'oggetto o l'oggettivazione esplicita delle parti del corpo (teoria deduttiva).
• Origini della Consapevolezza: Suggerisce che la consapevolezza di sé potrebbe non richiedere moduli cognitivi complessi pre-esistenti, ma può emergere dall'interazione tra un agente e il suo ambiente attraverso la minimizzazione della sorpresa (energia libera).
• Limiti e Futuro:
  • Il modello è limitato all'ambiente simulato e non include input tattile (che negli umani reali accelera l'apprendimento).
  • Il successo si ferma al 70% a causa di limiti cinematici e visivi (es. occlusione).
  • Futuri lavori includeranno l'integrazione del tatto, la validazione su robot reali e l'esplorazione di livelli superiori di consapevolezza (come la permanenza dell'oggetto).

In sintesi, il paper dimostra che un agente può sviluppare un comportamento analogo al riconoscimento di sé attraverso un meccanismo puramente statistico di apprendimento della propria "normalità" sensoriale, offrendo una nuova prospettiva sulla natura computazionale della coscienza di sé.