Modeling echolocation as an active pursuit of information via infotaxis

想象一只蝙蝠在漆黑的洞穴中飞行，试图寻找一只单独的飞蛾。它并非只是盲目地向前飞行并寄希望于撞上目标，而是在利用声音玩一场高风险的“寻找华尔多”游戏。它发出一次鸣叫（一次“脉冲”），聆听回声，然后根据刚才听到的声音，决定精确的飞行方向以及下一次该发出什么样的鸣叫。

这篇论文是关于如何教计算机像那只蝙蝠一样思考，但带有一个特定的决策方式上的转折。

旧方法 vs. 新方法
大多数回声定位的计算机模型表现得像一个只看最明显线索的侦探。如果计算机认为飞蛾有 90% 的概率在角落里，它就会把“耳朵”（或声呐波束）直接指向那个角落并等待。这被称为“最大后验概率”（Maximum A Posteriori）方法。如果线索是完美的，这种方法非常高效；但如果存在大量的噪声或干扰（比如风力或其它蝙蝠的鸣叫），这个侦探就会陷入困境或轻易放弃。

这篇论文的作者尝试了一种不同的策略，称为 信息趋向性（Infotaxis）。请不要将其视为一个寻找“最可能位置”的侦探，而要将其视为一个寻找“最有趣位置”的探险家。

“嗅探”类比
研究人员借鉴了飞蛾或狗寻找气味的方式。如果一只狗正在追踪气味，它并不会直接奔向气味最浓烈的地方。有时，最浓烈的气味可能是一个死胡同或一片混乱的气流。相反，它可能会向侧面迈出一步，看看气味是变强了还是变弱了。它移动是为了收集“更多信息”来消除混乱，即便这一步并不会立即指向目标。

论文表明，当你将这种“嗅探”逻辑应用于声音（回声定位）时：

1. 它平衡了好奇心与贪婪： 蝙蝠智能体知道何时去追逐最可能的靶点（利用），以及何时通过徘徊来更好地确定目标的实际位置（探索）。
2. 它能更好地处理噪声： 因为智能体是在主动尝试减少不确定性，而非仅仅猜测最佳位置，所以当环境杂乱无章或丢失几次回声时，它会更加强韧。
3. 它节省能量： 研究发现，这种“信息猎人”方法比传统的“猜最佳位置”方法使用的声呐脉冲更少。

核心结论
论文认为，要真正理解动物（以及未来的机器人）如何使用声呐，我们不应仅仅将它们建模为对声音做出反应的机器。我们应该将它们建模为信息的积极寻求者。通过将搜索视为一场通过收集线索来消除混乱的游戏，而非仅仅是一场通往目的地的竞赛，系统会变得更聪明、更可靠且更高效，尤其是在世界嘈杂且充满不确定性的情况下。