工作压力大 AI队友可能会知道如何提供帮助

人类在整个历史中一直与机器合作以实现目标，无论是通过使用简单的机器移动物料还是使用复杂的机器在太空中移动。但是，当今人工智能的进步为更复杂的团队合作(真正的人机团队合作解决复杂问题)带来了可能性。

这些人机团队的大部分开发工作都集中在机器上，以应对训练AI算法以有效执行任务的技术挑战。但是，麻省理工学院林肯实验室的研究人员说，关注的重点已经转移到了团队的人性方面。如果机器运行正常，但人在挣扎，该怎么办?

“在人机团队方面，我们经常考虑该技术，例如，我们如何监控，了解它，确保其工作正常。但是团队合作是一条两条路，而这些考虑并不是“我们正在做的是从另一面看，这台机器正在监视并增强另一面-人，”实验室战术系统专家Michael Pietrucha说。

Pietrucha是一组实验室研究人员之一，旨在开发可以感知人的认知疲劳何时干扰其表现的AI系统。然后，系统将建议干预措施，甚至在严峻的情况下采取行动，以帮助个人康复或防止伤害。

“纵观历史，我们发现人为失误会导致不幸，错失良机，有时甚至造成灾难性后果，”实验室内部资助的生物科学和技术研究的前副负责人梅根·布莱克韦尔(Megan Blackwell)说。“如今，神经监测正变得更加具体和便携。我们设想使用技术来监测疲劳或认知超负荷。这个人是否参加过多的活动?可以这么说吗?他们会精疲力尽吗?如果您可以监视人类，那么您可以在坏事发生之前进行干预。”

这种愿景的根源是在实验室数十年的研究中，该研究利用技术“读取”一个人的认知或情绪状态。通过收集生物统计数据(例如说话人的视频和音频记录)并使用高级AI算法处理这些数据，研究人员发现了各种心理和神经行为状况的生物标志物。例如，这些生物标志物已被用于训练模型，该模型可以准确地估计一个人的抑郁程度。

在这项工作中，研究小组将把他们的生物标记研究应用于AI，该AI可以分析个人的认知状态，从而概括人的疲劳，压力或超负荷感。该系统将使用源自生理数据的生物标记物，例如声音和面部记录，心律，脑电图和大脑活动以及眼动的光学指示，以获取这些见解。

第一步将是建立个人的认知模型。“认知模型将整合生理输入并监视输入，以观察人执行特定的疲劳任务时它们如何变化，”在实验室进行多项神经行为生物标记研究工作的Thomas Quatieri说。“通过这个过程，系统可以建立活动模式并学习一个人的基线认知状态，该状态涉及与基本任务相关的功能，这些功能需要避免伤害或不良结果，例如听觉和视觉注意力以及反应时间。”

一旦建立了个性化的基准，系统就可以开始识别与正常的偏差，并预测这些偏差是否会导致错误或性能下降。

林肯实验室国土保护和空中交通管制部门的主要负责人威廉·斯特雷林(William Streilein)说：“建立模型很困难。当它预测性能时，您知道它是对的。” “如果系统能够识别出偏差，然后实际预测出偏差会干扰该人在某项任务上的表现，那么我们做得很好。人类很复杂;我们可以自然地承受压力或疲劳。重要的是建立一个该系统可以预测何时无法补偿该偏差，并仅在随后进行干预。”

干预的可能性广泛。在频谱的一端，人们可以进行一些微调以恢复性能：喝咖啡，改变照明，获取新鲜空气。其他干预措施可能建议轮​​班变更或将任务转移到机器或其他队友。另一种可能性是使用经颅直流电刺激，这是一种性能恢复技术，该技术使用电极刺激大脑的一部分，并且在抵抗疲劳方面已显示出比咖啡因更有效的副作用。

另一方面，当人员无法做到这一点时，机器可能会采取必要的措施来确保团队成员的生存。例如，一个AI队友可以为失去知觉或身体自我弹射能力的战斗机飞行员做出“弹射决定”。皮特鲁查(Pietrucha)是空军的退休上校，曾作为战斗机/攻击机飞行员飞行了许多小时，他看到了这样一个系统的希望，“不仅限于飞行参数的分析，还包括对机组人员认知状态的分析。 ，只有在机组人员不能或不会的时候才进行干预。”他说。

确定最有用的干预措施及其有效性取决于与手头任务，干预措施的剂量甚至用户的人口背景有关的许多因素。斯特雷林说：“要了解不同干预措施的效果并验证其安全性，还有许多工作要做。” “最终，我们希望引入个性化的认知干预措施，并评估其对任务执行的有效性。”

除了在战斗航空中使用之外，该技术还可以使其他苛刻或危险的工作受益，例如与空中交通管制，战斗行动，灾难响应或急诊医学有关的工作。“在某些情况下，作战医务人员的人数远远多于其他人，处于征税状况，并且与其他所有人一样疲惫不堪。拥有这种过分的帮助，可以帮助监控他们的心理状况和疲劳程度，这可能会有所帮助预防医疗错误，甚至可以警告其他人疲劳程度。”布莱克韦尔说。

今天，该团队正在寻求赞助，以帮助进一步开发该技术。来年将集中于收集数据以训练他们的算法。首先是智能分析人员，他们在玩严肃的游戏时会配备传感器，以模拟他们的工作需求。“智能分析师通常会被数据淹没，并且可以从这种类型的系统中受益，” Streilein说。“他们通常在计算机上的'正常'房间环境中工作，这一事实使我们能够轻松地为他们提供仪器，以收集生理数据并开始训练。”

Quatieri说：“我们将在短期内根据一系列功能进行工作，但最终目标将是利用这些功能，以便在系统仍是个性化的同时，它可能是更完整的功能，可以广泛部署，类似于Siri的通用性，但可以快速适应个人需求。” 从长远来看，该团队看到了通用背景模型的希望，该模型可以代表任何人并可以针对特定用途进行修改。

这种能力可能是推动未来人机团队发展的关键。随着AI逐渐实现更多类似于人的能力，同时又不受人为精神压力的影响，人类可能会对执行任务带来最大的风险。AI队友可能只知道如何提升自己的伴侣。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！