Large Emotional World Model
Dit artikel introduceert het Large Emotional World Model (LEWM), een nieuw framework dat menselijke emotie integreert als een kernvariabele van de toestand om toekomstige emotionele en fysieke toestanden te voorspellen, waarbij significante prestatieverbeteringen worden aangetoond in wereldtoestandsvoorspelling, emotieverstaan en algemene redeneertaken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een robot probeert te leren hoe hij een auto moet besturen. Als je hem alleen de wetten van de natuurkunde laat zien, leert hij dat als hij tegen een bakstenen muur rijdt, de auto stopt. Dat is de "fysieke wereld". Maar als je wilt dat die robot rijdt in een stad vol mensen, is natuurkunde niet genoeg. Hij moet begrijpen dat als een andere bestuurder hem afsnijdt, die andere bestuurder boos kan worden, hard op de remmen kan trappen of kan schreeuwen. Als de robot die emotie niet voorspelt, kan hij niet voorspellen wat er daarna gebeurt. Dit is de grote vraag in een vakgebied genaamd "World Models". Wetenschappers proberen digitale hersenen te bouwen die niet alleen zien wat er nú gebeurt, maar die kunnen simuleren hoe de toekomst zich zal ontvouwen. Lange tijd waren deze digitale hersenen als natuurkundige motoren: geweldig in het bewegen van blokken en ballen, maar slecht in het begrijpen van waarom mensen doen wat ze doen. Ze misten het geheime ingrediënt: gevoelens.
Dit artikel introduceert een nieuw soort digitaal brein genaamd de Large Emotional World Model (LEWM). De onderzoekers, Changhao Song en zijn team van de Tianjin Universiteit, realiseerden zich dat om de toekomst in een menselijke wereld te voorspellen, je eerst gevoelens moet voorspellen. Ze bouwden een enorme nieuwe dataset genaamd EWH (Emotion-Why-How), die lijkt op een bibliotheek van 10.850 korte videoverhalen. Elk verhaal laat een persoon zien, wat diegene voelde vóórdat het gebeurde, wat diegene deed, hoe de gevoelens veranderden en wat er daarna gebeurde. Denk aan het als een "Kies je eigen avontuur"-boek waarbij de plotwendingen volledig afhangen van de vraag of het personage gelukkig, boos of verdrietig is.
Met behulp van deze bibliotheek trainden ze LEWM om in twee stappen te denken, zoals een detective die een mysterie oplost. Eerst vraelt het model: "Gezien wat er net is gebeurd, hoe zal deze persoon zich hierna voelen?" Het voorspelt de emotie. Ten tweede vraagt het: "Nu ik weet hoe ze zich voelen, wat zullen ze hierna doen?" Door de emotie in het midden te plaatsen, kan het model zien dat hetzelfde verkeersongeluk kan leiden tot een kalm gesprek als de bestuurder gelukkig is, of tot een schreeuwpartij als hij boos is. De resultaten zijn indrukwekkend: op hun nieuwe emotionele dataset was LEWM tot wel 45,72% nauwkeuriger dan eerdere modellen. Het werd ook beter in het begrijpen van emoties in het algemeen (met een verbetering van 17,47% op één test) en werd zelfs slimmer in het beantwoorden van lastige vragen over politiek en wetenschap zonder het vermogen te verliezen om de fysieke wereld te begrijpen. Het artikel suggereert dat door AI te leren om te geven om gevoelens, we het niet alleen aardiger maken; we maken het ook veel beter in het voorspellen van hoe de echte menselijke wereld eigenlijk werkt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.