22、有意行动中的注意力、意图与意识：ARCADIA模型解析

有意行动中的注意力、意图与意识：ARCADIA模型解析

1. ARCADIA模型基础

ARCADIA模型在构建内部过程时，会参考神经科学和心理学文献，这与AI研究者单纯追求构建高效算法有所不同。已开发的最复杂的ARCADIA模型结合了认知上合理的组件和约束较少的组件，尤其是在缺乏实证数据指导设计的情况下。从根本上说，如果将组件视为能够处理其他组件先前输出的简单函数，那么ARCADIA可以被看作是一个简单的计算模型，它通过焦点选择例程在循环时间内组合函数。

2. ARCADIA的循环机制

在每个ARCADIA循环中，组件会进行内部处理，并将结果构造成中间语言元素。这些结果会在下一个循环中供所有组件使用。中间语言的设计旨在实现组件的互操作性，由于其参数域支持异构表示，多个组件可以处理同一元素不同部分的信息。例如，实现神经网络的组件可以对图像数据进行分类，而推理组件可以处理同一参数列表中的符号元素。

在每个循环中，ARCADIA会从可用的组件输出集中选择一个新的关注焦点，并在下一个循环中给予该元素优先地位。这意味着组件可以设计为在能够响应焦点时做出响应，在无法响应时执行默认行为。我们将那些尽可能优先处理关注焦点的组件称为焦点响应组件，而将无论焦点如何都进行相同处理的组件称为焦点无响应组件。焦点无响应组件适合产生在没有有意识意图的情况下可能出现的自动行为，从而为探索控制的作用提供了一种方式。

以下是ARCADIA循环机制的mermaid流程图：

graph LR
    A[开始循环] --> B[组件内部处理]
    B --> C[生成中间语言元素]
    C --> D[共享结果到下一个循环]
    D --> E[选择新的关注焦点]
    E --> F[组件响应焦点或执行默认行为]
    F --> A[开始新循环]

3. 焦点选择策略

由于组件并行生成输出，ARCADIA在每个循环中都面临选择问题。一些组件在低级别处理输入流，产生需要整合到对象表示中的特征；另一些组件可能产生由当前环境状态驱动的过度学习的动作响应；还有一些组件可能根据维持的意图产生计划动作。在处理过程中，ARCADIA可能需要对这些组件产生的中间语言元素进行有区别的选择。

为了影响这种选择，我们指定了注意力优先级。ARCADIA维护一组默认的注意力优先级，使系统倾向于关注要执行的潜在动作，其次是环境中的中级表示（如人和物体），然后是输入中的视觉显著区域。值得注意的是，动作请求不仅包括明显的身体活动，还包括与记忆相关的动作、任务切换动作和其他心理操作。这种对注意力偏差的简单表示反映了一个事实，即只要有与任务相关的偏差或任务相关的动作可供选择，来自低级别显著性计算的自下而上的注意力拉动就会被消除。

注意力优先级列表如下：
1. 潜在动作执行
2. 环境中级表示
3. 输入中的视觉显著区域

4. 任务与任务切换

每个ARCADIA模型都可以依赖默认的注意力策略，但大多数模型是任务模型，因此具有任务结构的内部表示。ARCADIA中的任务表示分布在整个系统中，包括任务的语义信息（如名称）以及以刺激 - 响应（SR）链接形式存在的程序信息，这些链接与模型组件在每个循环中产生的内容集合相匹配并生成动作请求。

每个任务表示都有自己的一组注意力优先级，使模型能够适应环境中与任务相关的特征。当处理任务切换请求时，任务表示会被加载到专门用于任务的工作记忆部分，任务表示中的注意力优先级会与ARCADIA的默认策略相结合，从而使注意力选择偏向于环境中与任务相关的特征。任务及其相关优先级将保持活跃，直到采用新任务，此时新任务的优先级将与默认策略相结合以引导注意力。

任务切换过程表格如下：
|步骤|描述|
|----|----|
|1|接收任务切换请求|
|2|加载任务表示到工作记忆|
|3|结合任务优先级与默认策略|
|4|引导注意力选择|
|5|任务及其优先级保持活跃直到新任务采用|

5. 意图的结构与特点

意图的内部结构在以下ARCADIA中间语言片段中给出：

{:name "activated-intention"
:arguments
{:constraints :evaluation-history
:formed-at :intentional-object
:precondition-met :satisfied?
:subtype :task :terminated?}
:world "intention-memory"
:source component
:type "instance"}

precondition-met 参数是一个布尔值，用于跟踪意图的激活条件是否已满足，类似的字段也用于跟踪满足条件和终止条件。在每个循环中，监控函数会根据定义激活、满足和终止条件的约束来评估可用中间语言元素的状态。

意图分为成就意图和维持意图。成就意图在满足条件时立即终止，大致对应于成功的有意行动。维持意图，如以限速行驶，在满足条件时不会终止，而是持续存在，直到被另一个与之直接冲突的维持意图所取代。 intentional-object 参数保存着有意行动所指向的特定任务相关对象和关系的表示。随着抽象意图变得更加具体并指向特定事物， intentional-object 字段会相应更新。最后， task 字段是一个语义标记，将意图与任务表示以及其中包含的所有相应程序知识和注意力优先级联系起来。

意图的形成是一种心理动作，动作监控信息可以作为形成新意图的信号。许多意图是未来导向的，可以看作是一种前瞻性记忆，有助于我们灵活规划和适应。意图通常在抽象层面上指定，例如“打算出去吃午饭”，但在实际执行过程中，会受到习惯、记忆和感知的影响，逐渐变得具体。

以下是意图状态变化的mermaid流程图：

graph LR
    A[维持意图] --> B{激活条件满足?}
    B -- 是 --> C[活跃意图]
    B -- 否 --> A
    C --> D{满足条件满足?}
    D -- 是 --> E[成就意图终止]
    D -- 否 --> F{终止条件满足?}
    F -- 是 --> G[意图终止]
    F -- 否 --> C

6. 注意力、意图与因果偏差的计算模型

为了说明有意行动和无意行动之间的区别，我们构建了一个ARCADIA模型来实现Smith/Jones案例，并进行了进一步修改，以粗略说明有意行动在系统中的工作方式。这些模型包含近四十个相互作用的组件，包括视觉处理功能以及短期和中期记忆存储。

在模型中，一些组件是焦点无响应的。例如，在图3所示的模型中，油门和方向盘的两个简单比例 - 积分 - 微分（PID）控制器根据一个或多个控制点的位置在每个循环中产生输出。最底部的控制点会自动计算，系统无需关注即可使用，但仅基于这个控制点进行转向会导致不稳定的驾驶，因为在转向控制计算中没有考虑到即将到来的信息。可以在前方道路或视野中的任何其他人或物体上放置第二个控制点，以进一步指导转向，或者在故意杀人序列中标记目标。

该模型主要依赖三种不同的任务表示，每种表示都有自己的一组注意力优先级和以SR链接形式存在的程序知识：
1. “驾驶”任务：选择该任务时，会使注意力偏向车道线、其他车辆、交通控制设备和行人。
2. “沉思”任务：注意力偏向于产生与沉思计划相关的内心言语。通过优先处理默读动作请求来实现。
3. “撞倒叔叔”任务：在注意力优先级中添加额外的识别信息，优先处理看起来像叔叔的行人。

在无意的情况下，模型以“沉思”任务开始执行，此时ARCADIA只关注内心言语的内容，依赖焦点无响应组件产生的无注意力的单控制点驾驶行为，导致驾驶不稳定，汽车意外撞倒行人。由于与沉思相关的注意力策略优先关注包含内心言语的中间语言元素，而牺牲了驾驶及其相应的注意力优先级，视觉记忆中没有来自外部世界的与驾驶相关的信息，这意味着ARCADIA根本没有看到行人。

相反，在有意的情况下，模型开始时也表现出不稳定的驾驶模式，很快漂移到左车道。一个监控组件会生成一个警报，吸引注意力并促进任务切换回驾驶。之后，模型开始关注车道、车辆和行人。一旦行人被注意到并被识别为叔叔，就会制定撞倒叔叔的计划，并将驾驶的第二个控制点固定在叔叔身上，以指导汽车撞向他。

7. 模型的局限性与待解决问题

7.1 监控方面

模型中包含一个专门用于检测车辆是否越过道路中线的组件。当出现这种情况时，该组件会生成信号吸引注意力并促使任务切换回驾驶。然而，实际情况中车辆可能会为了避让其他车辆、动物、行人或掉落的物体而有意越过中线，而且在某些低风险情况下，粗心驾驶也是可以接受的。这表明监控与意图紧密相关，而非相互独立。

目前，对于监控的底层过程在计算层面上还缺乏深入理解。意图存在多个抽象层次，从高度抽象的“开车去吃午饭”到具体的“开车去第一大道和公园街拐角处的中餐馆”，再到控制方向盘和踩踏板的运动意图。不同层次的意图可能需要采用不同的监控方式。例如，对于运动意图，人们是否有意识地察觉存在争议，保守观点认为人们通常没有意识。当某个运动程序出现问题时，人们往往是在意图层次结构的上一层察觉到进展受阻。同样，在意图层次结构的中间层和顶层之间也存在类似的交互。中间层的意图通常涉及特定的对象和位置，而顶层意图则较为抽象，只指定高级目标和程序知识。运动程序可能在无意识的情况下被监控，但意识在中间层和顶层的作用尚不明确。当中间层的意图无法实现时，可能会引发对高层意图的重新思考，这可能导致修改高层目标或引发问题解决和决策过程。

监控与意图层次关系表格如下：
|意图层次|特点|监控情况|意识作用|
|----|----|----|----|
|顶层|抽象，指定高级目标和程序知识|与中间层相互影响|不太明确|
|中间层|涉及特定对象和位置|与顶层和底层相互作用|可能引发对高层意图的重新思考|
|底层（运动意图）|具体的操作指令|可能无意识监控|保守认为无意识|

7.2 自动化与复杂任务

之前的计算模型中，对常规驾驶行为的解释以及通过外部提示进行任务切换来重新获得“控制”的方式可能不太合理。驾驶技能通常会逐渐程序化，在熟练的路线上，驾驶员可能会出现注意力不集中的情况，对环境变化的察觉能力下降。然而，不能简单地认为驾驶员在注意力分散或处于自动驾驶状态时完全没有对主要任务的意识。因为复杂任务如驾驶可以分解为许多小任务，有些需要注意力，有些则不需要。

例如，在驾驶中，对一系列分解的驾驶任务进行了研究，包括检查后视镜、换挡、保持车距、接近十字路口和为交通控制设备刹车等。在有次要任务的情况下，一些活动的表现会下降，而另一些则保持稳定。这表明不同的驾驶子任务自动化程度不同，但这并不能直接说明驾驶员的主观体验。

以下是驾驶子任务在次要任务影响下的表现列表：
1. 检查后视镜：可能受次要任务影响而表现下降
2. 换挡：表现可能稳定或受影响
3. 保持车距：部分情况下表现下降
4. 接近十字路口：可能受影响
5. 为交通控制设备刹车：表现可能稳定

7.3 控制与控制的价值

大多数复杂任务在所需的控制处理量方面是异质的。当不确定性、风险或绩效评估标准发生变化时，从自动化转向控制处理的可能性会增加。Smith/Jones思想实验不太现实，因为实际驾驶中，迎面而来的车辆、嘈杂的声音和路边行人的运动通常会吸引Smith的注意力，使他对外界环境有一定的持续意识。

ARCADIA以注意力优先级的形式表示控制知识，包括内置的默认值和与当前活动任务相关的特定值。这些优先级为执行特定任务时的注意力提供自上而下的指导，使ARCADIA避免关注与任务无关的干扰。然而，复杂任务涉及许多处于不同完成阶段的子任务，需要代理进行管理，同时不降低整体性能。

目前，ARCADIA没有一种原则性的方法来有效检测和管理多个活跃意图之间的冲突。当多个意图产生动作请求时，当前采用的任务相关意图会通过其注意力优先级使注意力选择偏向于特定动作，但这种方案的实用性有限，特别是在需要多任务处理且意图之间无冲突的情况下。此外，过度学习的刺激 - 响应链接（自动化的基础）可能经常与意图竞争。因此，需要开发一种控制方法，用于冲突监控、抑制不需要的自动响应和干扰、任务调度和切换以及维护支持有意行动的信息。

最后，将推理表述为一种有意行动既新颖又具有挑战性。人类推理的最佳理论是基于模型的双过程理论，该理论否认朴素推理中涉及规则类内容。虽然已经有该理论的计算实现，但在计算框架中对涉及规范和其他复杂语义内容的探索仍有待进行。

控制相关问题总结表格如下：
|问题|描述|解决方案需求|
|----|----|----|
|意图冲突管理|多个活跃意图产生动作请求时的冲突|开发有效检测和管理冲突的方法|
|自动化与意图竞争|过度学习的刺激 - 响应链接与意图竞争|抑制不需要的自动响应和干扰|
|多任务处理|复杂任务中的多任务管理|任务调度和切换，维护支持有意行动的信息|
|推理作为有意行动|将推理表述为有意行动的挑战|探索涉及规范和复杂语义内容的计算框架|

综上所述，ARCADIA模型为理解注意力、意图和因果偏差在有意行动中的作用提供了有价值的计算视角，但仍有许多工作需要完成，以完善模型并更准确地模拟人类的有意行动。未来的研究可以聚焦于解决上述局限性和待解决问题，进一步提高模型的实用性和准确性。