Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
An AI agent in a three-dimensional virtual world sees, smells, senses temperature and detects collisions while four internal variables move in the background: satiation, hydration, body temperature and damage. Researchers led by Woo Choong-Wan at the Institute for Basic Science and Sungkyunkwan University built this survival testbed to study a new approach called interoceptive AI, which gives those internal states a role in learning and decision-making.
Un agente di IA in un mondo virtuale tridimensionale vede, annusa, percepisce la temperatura e rileva le collisioni, mentre sullo sfondo variano quattro variabili interne: sazietà, idratazione, temperatura corporea e danno. I ricercatori guidati da Woo Choong-Wan dell'Istituto per le scienze di base e dell'Università Sungkyunkwan hanno realizzato questo ambiente di prova per la sopravvivenza allo scopo di studiare un nuovo approccio chiamato IA interocettiva, che assegna a questi stati interni un ruolo nell'apprendimento e nel processo decisionale.
The idea starts with a familiar gap between biology and conventional AI. Living organisms adjust priorities according to what is happening inside their bodies; an external cue can mean something different to a hungry animal than to a satiated one. Most AI agents instead pursue objectives defined from outside. Robots may already detect a low battery, an overheating motor or a damaged component, but usually respond through predefined rules. Interoceptive AI treats internal conditions as continuing context, not only as faults or reward inputs.
L'idea nasce da una differenza ben nota tra biologia e IA convenzionale. Gli organismi viventi adattano le proprie priorità in base a ciò che accade all'interno del corpo; un segnale esterno può avere un significato diverso per un animale affamato rispetto a uno sazio. La maggior parte degli agenti di IA persegue invece obiettivi definiti dall'esterno. I robot possono già rilevare una batteria scarica, un motore surriscaldato o un componente danneggiato, ma di solito reagiscono attraverso regole predefinite. L'IA interocettiva considera le condizioni interne un contesto continuo, non soltanto guasti o input per le ricompense.
The researchers mathematically formalized how internal and external states can remain separate while influencing one another. In EVAAA—Essential Variables in Autonomous and Adaptive Agents—agents must keep their four internal variables within viable ranges while navigating resources, obstacles, predators, changing temperatures and day-night cycles. Separate test environments introduce conditions absent from training, making adaptation to unfamiliar situations part of the evaluation.
I ricercatori hanno formalizzato matematicamente il modo in cui gli stati interni ed esterni possono restare separati pur influenzandosi a vicenda. In EVAAA — Essential Variables in Autonomous and Adaptive Agents — gli agenti devono mantenere le quattro variabili interne entro intervalli compatibili con la sopravvivenza mentre si muovono tra risorse, ostacoli, predatori, temperature variabili e cicli giorno-notte. Ambienti di prova separati introducono condizioni assenti durante l'addestramento, rendendo l'adattamento a situazioni sconosciute parte della valutazione.
The framework also sets up decisions that resemble animal-behavior experiments. An agent may have to choose between competing resources according to its current needs, or weigh the benefit of obtaining one against the risk of physical damage. The researchers suggest that internal states could also tune learning rates, sensitivity to information and the balance between exploring new options and exploiting known ones, while helping agents learn without overwriting earlier knowledge.
Il framework prevede inoltre decisioni simili a quelle degli esperimenti sul comportamento animale. Un agente può dover scegliere tra risorse in competizione in base alle proprie necessità del momento, oppure soppesare il beneficio di ottenerne una rispetto al rischio di subire danni fisici. I ricercatori suggeriscono che gli stati interni potrebbero anche regolare i tassi di apprendimento, la sensibilità alle informazioni e l'equilibrio tra esplorazione di nuove opzioni e sfruttamento di quelle già note, aiutando al contempo gli agenti ad apprendere senza sovrascrivere le conoscenze precedenti.
Concretely, the immediate change is for AI and robotics researchers: they get a virtual benchmark for testing whether an agent can carry a stable internal reference from one environment to another. The work is published in Nature Machine Intelligence and presents a proposed framework and a virtual benchmark.
In concreto, il cambiamento immediato riguarda i ricercatori di IA e robotica: ora dispongono di un benchmark virtuale per verificare se un agente sia in grado di trasferire un riferimento interno stabile da un ambiente all'altro. Il lavoro è pubblicato su Nature Machine Intelligence e presenta un framework proposto e un benchmark virtuale.