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

Este estudo apresenta um modelo computacional baseado no princípio da inferência ativa e em um "auto-prior" implementado com Transformer, que demonstra como um agente simulado desenvolve espontaneamente o comportamento de reconhecimento de si mesmo no teste do espelho ao buscar minimizar a discrepância entre suas experiências multisensoriais aprendidas e uma marca nova, sugerindo que o princípio da energia livre pode unificar a compreensão das origens do autoconsciência.

O essencial

Imagine que você tem um bebê robô muito inteligente, mas que ainda não sabe quem é. Ele está sentado na frente de um espelho. Um dia, alguém cola uma etiqueta colorida no rosto dele. O que acontece?

Na vida real, um bebê humano de cerca de 18 a 24 meses olha no espelho, vê a "mancha" no rosto do "outro" (que na verdade é ele mesmo) e, instintivamente, leva a mão para tirar a etiqueta. Isso é o famoso Teste do Espelho, usado para saber se um animal tem autoconsciência.

Os cientistas Dongmin Kim e sua equipe criaram um robô virtual que faz exatamente isso, mas sem ninguém ensinar, sem dar recompensas (como doces ou elogios) e sem programar uma regra que diga: "Se vir uma mancha, tire-a".

Como eles fizeram isso? A mágica está em um conceito chamado "Auto-Prior" (ou "Auto-Previsão"). Vamos explicar isso com uma analogia simples.

A Analogia do "Mapa do Tesouro Interno"

Imagine que o cérebro do robô é como um explorador que carrega um mapa mental de como o mundo dele "deveria" ser.

1. A Fase de Aprendizado (O Mapa): Durante meses, o robô vive sua vida normal. Ele olha no espelho, mexe o pescoço, levanta o braço e sente como é ver seu próprio corpo e sentir seus músculos se movendo. Ele aprende que "eu" é uma combinação específica de imagens (o que vejo no espelho) e sensações (como meus músculos se sentem). Ele cria um Mapa do "Eu". Nesse mapa, o rosto dele é sempre "limpo".
2. O Incidente (A Mancha): De repente, alguém cola a etiqueta. O robô olha no espelho e vê algo estranho.
3. O Conflito (O Alerta): O cérebro do robô compara o que ele vê agora com o "Mapa do Eu" que ele guardou.
   • Mapa: "Meu rosto é liso e sem manchas."
   • Realidade: "Meu rosto tem uma coisa estranha aqui!"
   • Resultado: O cérebro entra em pânico! Não é um pânico de medo, mas de desconforto. Para o robô, aquela imagem "errada" gera uma espécie de "ruído" ou "estresse" matemático (chamado de Energia Livre).

A Solução: Tirar a Mancha para Voltar ao Calmo

O robô não sabe o que é "tira a etiqueta". Ele só sabe uma coisa: ele quer parar de sentir esse desconforto.

Ele começa a testar movimentos aleatórios, tentando fazer a imagem no espelho voltar a combinar com o seu "Mapa do Eu".

• Ele move a mão... a imagem muda.
• Ele toca o rosto... a imagem muda.
• Eureka! Quando ele toca a etiqueta e a tira, a imagem no espelho volta a ser "limpa". O "ruído" desaparece. O desconforto acaba.

O robô aprendeu, por tentativa e erro, que tirar a etiqueta é a única maneira de fazer o mundo voltar a fazer sentido para ele.

O Que Isso Significa?

Este estudo é incrível porque mostra que a autoconsciência (saber que "eu sou eu") pode surgir de uma necessidade muito básica: querer que as coisas façam sentido.

• Sem recompensa externa: Ninguém disse "bom trabalho" quando ele tirou a etiqueta. A recompensa foi apenas a paz de ver o espelho "correto" novamente.
• Sem tato: O robô não sentiu a etiqueta com a mão. Ele só viu no espelho e sentiu o movimento do braço. Isso prova que ele conectou a imagem no espelho ao seu próprio corpo.
• O "Mapa" é o Espelho: O "Auto-Prior" funciona como um esquema corporal. É como se o robô tivesse um "modelo 3D" de si mesmo na cabeça. Quando a realidade não bate com o modelo, ele age para consertar a realidade.

Conclusão

Em resumo, os cientistas provaram que você não precisa de um "espírito" ou de regras complexas programadas para ter autoconsciência. Você só precisa de um sistema que:

1. Aprenda como é ser você mesmo.
2. Sinta desconforto quando algo não bate com essa imagem.
3. Aja para consertar esse desconforto.

O robô não "pensou": "Ah, sou eu no espelho, vou tirar a etiqueta". Ele apenas sentiu que algo estava "errado" e agiu para deixar tudo "certo" de novo. É uma explicação bonita e simples de como a consciência pode nascer da necessidade de entender o mundo ao nosso redor.

Resumo técnico

Título: Inferência Ativa com um Auto-Prior na Tarefa de Marca no Espelho

1. Problema e Contexto

O teste de reconhecimento de espelho (ou teste da marca) é um indicador clássico de autoconsciência, onde um sujeito toca uma marca invisível em seu próprio corpo que só é visível através de um espelho. Embora chimpanzés e humanos (após 18-24 meses) passem neste teste, a explicação computacional de como a detecção de uma anomalia no espelho leva espontaneamente a uma ação direcionada ao próprio corpo permanece insuficiente.

Modelos computacionais existentes geralmente dependem de:

• Transformações explícitas de coordenadas para mapear a anomalia visual em comandos motores.
• Módulos intermediários dedicados para distinguir "eu" de "outro".
• Recompensas externas ou objetivos explícitos definidos pelo projetista.

A questão central é: Como o comportamento de remover a marca pode emergir apenas da experiência do agente, sem recompensa externa ou instruções explícitas?

2. Metodologia

Os autores propõem um modelo baseado no Princípio da Energia Livre e na Inferência Ativa, onde o agente minimiza a "Energia Livre Esperada" (Expected Free Energy - EFE) para selecionar ações.

A. Ambiente de Simulação (EMFANT)

• Um agente simulado (infante) sentado diante de um espelho.
• Sensores: Visão (RGB da câmera no olho direito) e Propriocepção (ângulos das 12 juntas do corpo).
• Restrição Crítica: Não há entrada tátil. O agente não pode sentir a marca; deve inferir sua localização apenas através da discrepância visual/proprioceptiva no espelho.
• Ação: O agente deve alcançar e remover um adesivo colocado aleatoriamente em seu rosto ou torso.

B. Arquitetura do Modelo
O sistema é construído sobre o framework STORM (baseado em DreamerV3 e Transformers) e consiste em três módulos principais:

1. Modelo do Mundo (World Model):

   • Um VAE categórico que comprime observações (visão + propriocepção) em um estado latente discreto ($s_t$).
   • Um Transformer prediz a dinâmica temporal desses estados latentes.
   • O objetivo é aprender a previsão de observações futuras e o estado atual.

2. Auto-Prior (Self-Prior):

   • Este é o núcleo da contribuição. É um modelo de densidade (implementado como um Transformer tipo GPT) que aprende a distribuição de experiências multissensoriais familiares do agente (estados sem adesivos).
   • Ele atua como um "esquema corporal" probabilístico. Quando o agente vê algo novo (o adesivo) no espelho, a probabilidade desse estado sob o Auto-Prior é baixa.
   • A discrepância entre a observação atual e o Auto-Prior gera um sinal de "erro" que impulsiona a ação.

3. Política e Valor (Inferência Ativa):

   • O agente seleciona ações para minimizar a Energia Livre Esperada (EFE).
   • A EFE é calculada como a soma da divergência entre o estado latente previsto e o Auto-Prior (busca familiaridade) mais um termo de entropia da ação.
   • O agente não tem um objetivo explícito de "remover adesivo". Ele age para reduzir a surpresa (mismatch) com seu modelo interno de "eu".

D. Treinamento
O treinamento ocorre em três estágios progressivos:

1. Treino do Modelo do Mundo: Aprende a prever observações e dinâmica.
2. Treino do Auto-Prior: Aprende a densidade de estados "sem adesivo" (amostrando apenas ~5% de episódios com adesivo para manter o prior focado no estado normal).
3. Treino da Política: O agente imagina trajetórias futuras dentro do modelo do mundo e seleciona ações que minimizam a EFE em relação ao Auto-Prior.

3. Resultados Principais

• Emergência do Comportamento: O agente, sem qualquer instrução explícita ou recompensa externa, aprendeu a detectar o adesivo no espelho e a alcançá-lo para removê-lo.
• Taxa de Sucesso: O agente removeu o adesivo em aproximadamente 70% dos casos de avaliação.
• Redução da Energia Livre Esperada:
  • Antes da remoção do adesivo, a EFE era alta (devido ao mismatch com o Auto-Prior).
  • Após a remoção, a EFE caiu significativamente (média de 12.00 unidades menores).
  • Isso confirma que o Auto-Prior atua como um critério interno eficaz para distinguir "eu" (familiar) de "não-eu" (anomalia).
• Aprendizado de Associação Cross-Modal: O modelo demonstrou capacidade de reconstruir a aparência visual do próprio corpo apenas a partir da propriocepção, provando que o Auto-Prior capturou as associações entre visão e propriocepção (funcionando como um esquema corporal probabilístico).
• Dinâmica de Aprendizado: A distância média entre a mão e o adesivo diminuiu gradualmente durante o treinamento, mesmo antes que a taxa de remoção atingisse 70%, indicando que o agente já reconhecia a anomalia e tentava se aproximar dela.

4. Contribuições Chave

1. Mecanismo Único sem Recompensa Externa: Demonstra que o comportamento complexo de reconhecimento de espelho pode emergir de um único princípio (minimização de EFE com um Auto-Prior), sem necessidade de módulos de transformação de coordenadas explícitos ou recompensas desenhadas pelo homem.
2. Auto-Prior como Critério Interno: Introduz o conceito de um "Auto-Prior" aprendido que modela a densidade de experiências familiares, servindo como uma motivação intrínseca baseada na redução de surpresa (mismatch) em vez de curiosidade ou exploração pura.
3. Esquema Corporal Probabilístico: O modelo fornece uma implementação computacional de um esquema corporal que integra visão e propriocepção, permitindo que o agente planeje ações para alinhar sua percepção atual com seu estado interno familiar.
4. Validação da Teoria Indutiva: O estudo apoia a teoria indutiva do reconhecimento de espelho (que requer correspondência cinestésico-visual e compreensão da correspondência do espelho), mostrando que a "autoconsciência" de nível 3 (identificação) pode surgir puramente da inferência ativa.

5. Significado e Limitações

• Significado: O trabalho sugere que o Princípio da Energia Livre pode ser uma hipótese unificadora para investigar as origens desenvolvimentais da autoconsciência. Ele propõe que a distinção entre "eu" e "não-eu" não precisa ser um módulo cognitivo complexo, mas pode emergir da estatística das experiências sensoriais do agente.
• Limitações:
  • O estudo foi realizado apenas em simulação (não em robôs reais).
  • A taxa de sucesso estagnou em ~70%, limitada por oclusão visual e limites cinemáticos do corpo simulado.
  • O modelo não inclui entrada tátil, que é crucial para o desenvolvimento humano real do reconhecimento de espelho.
  • O modelo não implementa conceitos de "permanência do objeto" ou "objetificação" de partes do corpo (níveis mais altos de autoconsciência na teoria de Rochat).

Conclusão

Este estudo oferece uma conta computacional concisa de como o comportamento direcionado a uma marca no teste de espelho pode surgir. Ao combinar um Auto-Prior (que aprende a distribuição do "eu" familiar) com a Inferência Ativa, o agente desenvolve espontaneamente a capacidade de identificar e corrigir anomalias em sua própria imagem refletida, validando a ideia de que a autoconsciência pode ter raízes na minimização de erro de predição sensorial.

Código Disponível: GitHub - self-prior-mirror