Grounding Social Perception in Intuitive Physics

Título: Grounding Social Perception in Intuitive Physics

Autores: Lance Ying, Aydan Y. Huang, Aviv Netanyahu, Andrei Barbu, Boris Katz, Joshua B. Tenenbaum, Tianmin Shu.
Afiliações: MIT, Harvard, Johns Hopkins, Amazon.

---

1. O Problema

A percepção social humana é rica e fundamentada na compreensão do mundo físico. Ao inferir informações sociais (como "perseguir", "bloquear" ou "ajudar"), os seres humanos não dependem apenas da psicologia intuitiva (agentes agem com propósito), mas também da física intuitiva (corpos movem-se continuamente, forças têm efeitos, obstáculos limitam possibilidades).

O desafio central da ciência cognitiva abordado neste trabalho é: como as pessoas inferem informações sociais complexas a partir de observações fundamentadas na física?

• Modelos existentes de planejamento inverso (inverse planning) frequentemente abstraem a dinâmica física, tratando ações como transições de estado simbólicas.
• Modelos neurais end-to-end (como redes GNN ou Grandes Modelos de Linguagem/Visão) aprendem padrões visuais, mas falham em raciocínio físico sofisticado e não generalizam bem para interações não vistas ou ambientes físicos alterados.

O artigo propõe que a percepção social requer a integração de psicologia intuitiva com física intuitiva através de um processo de análise por síntese (analysis-by-synthesis).

---

2. Metodologia

Os autores desenvolveram duas contribuições principais: um novo conjunto de dados e um modelo computacional.

A. Dataset PHASE (PHysically grounded Abstract Social Events)

Para testar a hipótese, foi criado o PHASE, um conjunto de dados de animações proceduralmente geradas que simulam interações físicas entre dois agentes em um ambiente 2D.

• Estilo: Inspirado no clássico filme de Heider e Simmel (formas geométricas simples), mas com simulação física rigorosa.
• Elementos:
  • Agentes: Trapézios com tamanhos, forças e campos de visão limitados.
  • Ambiente: Geometria variável, obstáculos, objetos (círculos) e marcos (quadrados nas esquinas).
  • Dinâmica: Simulação física de colisões, atrito e manipulação de objetos.
• Cenários: 500 vídeos cobrindo 4 tipos de objetivos de agentes (Colaborativo, Independente, Competitivo, Oposto) e 3 tipos de relações (Amigável, Neutra, Adversária).
• Validação Humana: Participantes humanos foram capazes de rotular consistentemente os vídeos com 23 categorias de interação social distintas, validando que as animações abstratas evocam narrativas sociais ricas.

B. O Modelo SIMPLE (SIMulation, Planning, and Local Estimation)

O SIMPLE é um modelo de planejamento inverso bayesiano fundamentado na física. Ele inverte um modelo gerativo que combina física e psicologia para inferir estados mentais (objetivos e relações) a partir de trajetórias observadas.

• Arquitetura:
  1. Modelo Gerativo: Um simulador físico de malha fechada acoplado a um planejador hierárquico.
     • Planejador Hierárquico: Representa a psicologia intuitiva (agentes racionais planejando para atingir objetivos).
     • Motor de Física: Representa a física intuitiva (resolvendo dinâmicas de contato, colisões e movimento de objetos).
  2. Inferência: O modelo gera hipóteses sobre variáveis latentes: objetivos dos agentes ($g$), relações sociais ($\alpha$) e capacidades físicas/forças ($f$).
  3. Algoritmo: Utiliza Metropolis-Hastings (MCMC) para aproximar a distribuição posterior.
     • Propõe hipóteses de baixo para cima baseadas em trajetórias observadas.
     • Simula as trajetórias resultantes dessas hipóteses.
     • Compara a simulação com a observação real, focando em intervalos de tempo locais onde o desvio é mais informativo para atualizar a hipótese.
  4. Marginalização: Calcula a probabilidade marginal de objetivos e relações específicas.

---

3. Contribuições Principais

1. Dataset PHASE: Um benchmark rigoroso e controlado para estudar a percepção social em ambientes fisicamente fundamentados, permitindo a variação sistemática de geometria, dinâmica e intenções.
2. Modelo SIMPLE: A primeira implementação computacional que integra explicitamente a simulação física forward dentro de um framework de planejamento inverso bayesiano para inferência social.
3. Evidência de Integração: Demonstração de que a inferência social precisa de física. Modelos que ignoram a física (planejamento inverso puramente simbólico) ou que apenas reconhecem padrões visuais (redes neurais) falham em cenários complexos onde a física determina a intenção (ex: empurrar um objeto pesado vs. leve).

---

4. Resultados

Os modelos foram testados em 100 vídeos de teste contra julgamentos humanos e outros modelos baselines (SocialGNN, Gemini 2.5 Pro, e um modelo de Planejamento Inverso de Predicados sem física).

• Precisão: O SIMPLE alcançou a maior precisão tanto na classificação de objetivos quanto de relações, superando significativamente os modelos baselines.
  • A precisão do SIMPLE foi estatisticamente indistinguível da precisão humana em 3 dos 4 tipos de cenários de objetivo e em todos os tipos de classificação de relações.
• Alinhamento Humano: O SIMPLE apresentou a maior correlação com a distribuição de julgamentos humanos (r = 0.82 para objetivos, r = 0.78 para relações), capturando a incerteza e os graus de crença dos humanos.
• Falhas dos Baselines:
  • Modelos Feedforward (SocialGNN, Gemini): Tiveram desempenho pobre, especialmente em cenários competitivos ("tug-of-war"), onde confundiram movimentos correlacionados de força oposta com cooperação. Eles falharam em generalizar sem treinamento massivo e não possuem raciocínio físico.
  • Planejamento Inverso de Predicados (Sem Física): Funcionou bem em cenários simples (relações neutras), mas falhou em inferir objetivos específicos que dependiam de capacidades físicas (ex: "o agente consegue empurrar o objeto?").

Exemplo Qualitativo: Em cenários de competição onde dois agentes puxam um objeto em direções opostas, o SIMPLE detecta a inconsistência no movimento (física) para inferir conflito, enquanto o SocialGNN frequentemente interpreta erroneamente como colaboração devido à proximidade visual.

---

5. Significado e Implicações

• Mecanismo Cognitivo: O trabalho fornece uma conta computacional de como os humanos entendem cenas sociais: invertendo um modelo gerativo que simula tanto a física quanto a psicologia. Isso apoia a teoria de que a teoria da mente humana é construída sobre uma teoria da física intuitiva.
• Limitações dos Modelos Atuais: Demonstra que modelos de IA modernos (VLMs, GNNs) que dependem apenas de correspondência de padrões visuais ou dados estatísticos não conseguem replicar o raciocínio social humano em ambientes físicos complexos, pois carecem de "senso comum" físico.
• Generalização: O SIMPLE generaliza para novos cenários sem treinamento, pois baseia-se em princípios físicos e lógicos fundamentais, diferentemente de modelos que exigem grandes corpora de dados.
• Futuro: O trabalho sugere que a percepção social rápida pode envolver uma "amortização" (amortized inference) desse processo complexo, onde redes neurais aprendem a aproximar o resultado da simulação física bayesiana.

Em resumo, o artigo estabelece que a física é fundamental para a psicologia: não podemos entender o "porquê" de uma ação social sem entender o "como" ela é fisicamente possível.