Марианна Реддан провела последние 10 лет, тщательно изучая человеческие лица, чтобы найти следы двух разных, но очень близких эмоций. Сюрприз и Страх. И после стольких лет он едва научился различать их.
Вот почему Реддан, получив докторскую степень в Стэнфордском университете, понял, что что-то изменится. Он понял это, когда узнал, что EmoNet, система, основанная на машинном обучении, научилась различать две эмоции.
Система, называемая «EmoNet», не просто смотрит на выражения лица, чтобы понять эмоции. Также посмотрите на общий контекст, чтобы определить общее чувство, как поступил бы человек из плоти и крови.
Для проведения этого исследования (опубликовано в журнале Science Advances), и на разработку этой нейронной сети, «обученной» на больших объемах данных, исследователям из Университета Колорадо в Боулдере и Университета Дьюка потребовался год.
От предметов к эмоциям
Реддан и коллеги использовали AlexNet. Это модель глубокое обучение (созданный с учетом динамики зрительной коры), который обучает компьютер распознавать объекты. Они перепрограммировали это, чтобы рассмотреть эмоции вместо объектов.
Филип Крагель, исследователь из Института когнитивных наук Университета Колорадо, предоставил нейронной сети 25000 20 изображений и заставил ее разделить их на XNUMX категорий эмоций.
В обширный список вошли такие эмоции, как тревога или скука, а также другие менее обычные эмоциональные переживания, такие как «эстетическое удовлетворение» или «эмпатическая боль».
На втором этапе категорированные эмоции сравнивались с человеческими. 8 добровольцев, подключенных в качестве функциональной магнитно-резонансной томографии, наблюдали 112 изображений. Их активность мозга измерялась параллельно нейронной сетью, чтобы связать ее с образами (и эмоциями), уже находящимися в ее распоряжении.
Создание нейронной сети, которая воспроизводит человеческий мозг, является научной задачей, которая длится годами., Тем не менее, даже самые передовые машины выходят за рамки человеческого опыта. «Эмоции — огромная часть нашей повседневной жизни» игра в кости Крагель. «Если нейронные сети не смогут их правильно расшифровать, они всегда будут иметь ограниченные знания о том, как работает мозг».
Крагель был удивлен тем, насколько хорошо работает EmoNet, но это не значит, что система пока идеальна. Две наиболее точно отображаемые категории — это «сексуальное желание» и «жадность/похоть», но иногда это не очень хорошо работает с динамично выражаемыми эмоциями. Например, удивление, которое может быстро перерасти в радость или гнев в зависимости от ситуации. EmoNet также испытывает большие трудности с поиском различий и нюансов между такими эмоциями, как обожание, веселье и радость, из-за их тесной взаимосвязи.
Есть ли риски?
Ханна Дэвис, профессор генеративной музыки в Нью-Йоркском университете, считает, что обучение эмоциям компьютера не опасно. «Было бы опасно, — говорит он, — если бы мы стали различать эмоции с таким же схематизмом и с такой же скудностью нюансов».
Как ты можешь винить ее? Кодирование эмоции, начиная с фотографии, не означает ее понимания или сопереживания. И уже сегодня, благодаря социальным сетям, у нас может сложиться впечатление, что люди ограничили свои эмоции количеством смайлов, которые они могут найти.
«Способна ли модель испытывать эмоции? Определенно нет. Он рассматривает лишь некоторые категории, а не сложность человеческого опыта. Сможет ли он испытывать эмоции в будущем? Я не могу это исключать. Возможно."
