Cienciaes.com : Les machines peuvent-elles apprendre à avoir des émotions ? Nous avons parlé avec Alberto Hernández Marcos

Lorsque nous parlons d’émotions, nous pensons généralement à des sentiments tels que la joie, la tristesse, la peur ou l’amour. Ces émotions, généralement associées aux humains, font également partie de la vie d’autres animaux comme les chiens et les dauphins, démontrant leur importance évolutive. Mais dans un monde où l’intelligence artificielle (IA) progresse à pas de géant, une question fascinante se pose : si les machines peuvent créer de l’art, résoudre des problèmes complexes ou converser intelligemment, seront-elles un jour capables de ressentir ou d’exprimer des émotions comme nous ?

Les émotions ne sont pas seulement des réactions psychologiques ; Ce sont également des mécanismes biologiques essentiels qui guident la survie et la prise de décision. Ils nous alertent des dangers, renforcent les liens sociaux et nous motivent à rechercher des récompenses. Cependant, intégrer cette complexité dans les systèmes d’IA a été un défi. Contrairement à d’autres capacités cognitives, les émotions n’ont pas de théorie neuroscientifique claire qui leur permette d’être traduites directement en langage machine.

Le chercheur Alberto Hernández, notre invité de Speaking with Scientists, dans un article publié dans Rapports scientifiquespropose une approche innovante : un cadre générique d’auto-apprentissage émotionnel pour les machines. Ce modèle est basé sur l’idée que les émotions peuvent être comprises comme des modèles temporels perçus dans des valeurs cruciales, telles que des récompenses récentes, des récompenses anticipées ou des états futurs anticipés.

Grâce à des réseaux de neurones artificiels, ce système a pu apprendre huit émotions de base, telles que la joie, la tristesse ou la peur, sur la base d’expériences non étiquetées d’agents virtuels. Par la suite, la validité du modèle a été évaluée au moyen d’enquêtes humaines, dans lesquelles les observateurs ont identifié les émotions dans les dimensions du plaisir, de l’excitation et de la maîtrise avec un haut degré d’accord.

Jusqu’à présent, les tentatives d’intégration des émotions dans l’IA se sont concentrées sur la simulation des expressions émotionnelles humaines afin d’améliorer l’interaction. Par exemple, des systèmes qui reconnaissent les émotions dans la parole ou les expressions faciales. Mais le véritable défi est de fournir aux machines une expérience émotionnelle comparable à celle des humains. Pour ce faire, le cadre d’auto-apprentissage émotionnel s’inspire des principes de l’apprentissage par renforcement, où les machines apprennent des récompenses et des punitions de leur environnement, développant des schémas émotionnels similaires à ceux des êtres vivants.

Cette approche interdisciplinaire élargit non seulement notre compréhension des émotions humaines, mais ouvre également la porte à de nouvelles applications. Des assistants virtuels plus empathiques aux robots capables de prendre des décisions dans des contextes critiques basés sur des états émotionnels simulés, les possibilités sont vastes. De plus, ce modèle pose les bases de recherches futures qui pourraient nous rapprocher de la manière d’enseigner à une machine quelque chose d’aussi profondément humain que le sentiment.

Si vous souhaitez en savoir plus sur ce sujet passionnant, ne manquez pas la conférence avec Alberto Hernández à Parler aux scientifiques. Sa proposition nous invite à réfléchir sur les limites entre l’intelligence, l’émotion et l’humanité elle-même. Sommes-nous prêts à vivre avec des machines qui « sentent » ?

Alberto Hernández Marcos est chercheur au Centre de recherche sur les technologies de l’information et des communications (CITIQUE–UGR) – Département de génie informatique, automatique et robotique (ICAR) de l’Université de Grenade et responsable du Laboratoire d’IA Générative de l’Université de Grenade. BBVA.

Références :

Hernández-Marcos, A., Ros, E. Un cadre générique d’auto-apprentissage émotionnel pour les machines. Sci Rep 14, 25858 (2024).