Nature：我们如何做出决策？研究人员开创人工智能方法，揭示认知策略

长期以来，研究人员一直对人类和动物如何通过基于近期信息的试错行为进行决策感兴趣。然而，理解这些行为的传统框架可能忽略了决策的某些现实，因为它们假设我们会在考虑过往经验后做出最佳决策。一个科学家团队最近发布的一项研究以创新的方式运用人工智能，以更好地理解这一过程。通过使用微型人工神经网络，研究人员的工作详细阐明了驱动个体实际选择的因素——无论这些选择是否是最优的。

长期以来，研究人员一直对人类和动物如何通过基于近期信息的试错行为进行决策感兴趣。然而，理解这些行为的传统框架可能忽略了决策的某些现实，因为它们假设我们会在考虑过去经验后做出最佳决策。

一组科学家最近发布的一项研究以创新的方式运用人工智能，以更好地理解这一过程。通过使用微型人工神经网络，研究人员详细阐明了驱动个人实际选择的因素——无论这些选择是否是最优的。

“我们没有假设大脑应该如何学习来优化我们的决策，而是开发了一种替代方法来发现个体大脑实际上是如何学习做决策的，”纽约大学心理学系助理教授、该论文的作者之一Marcelo Mattar解释说，该论文发表在《自然》杂志上。

“这种方法就像一名侦探，揭示了动物和人类实际上是如何做决策的。通过使用微型神经网络——小到可以被理解，但又强大到足以捕捉复杂行为——我们发现了科学家们几十年来一直忽视的决策策略。”

该研究的作者指出，小型神经网络（商业人工智能应用中常用的神经网络的简化版本）能够比传统的认知模型（假设最优行为）更好地预测动物的选择，因为它们能够揭示次优的行为模式。在实验室任务中，这些预测也与大型神经网络（例如支持商业人工智能应用的神经网络）的预测一样准确。 

“使用非常小的网络的一个优势是，它们使我们能够部署数学工具来轻松解释个人选择背后的原因或机制，如果我们使用大多数人工智能应用中使用的大型神经网络，这将更加困难，”加州大学圣地亚哥分校神经科学研究生项目的博士生 Ji-An Li 补充道。 

“人工智能中使用的大型神经网络非常擅长预测事物，”加州大学圣地亚哥分校生物科学学院神经生物学助理教授、作者Marcus Benna说道。“例如，它们可以预测你接下来想看哪部电影。然而，要简洁地描述这些复杂的机器学习模型采用的预测策略却非常困难——例如，它们为什么认为你会更喜欢一部电影而不是另一部。通过训练这些人工智能模型的最简单版本来预测动物的选择，并运用物理学方法分析它们的动态，我们可以用更容易理解的术语阐明它们的内部运作。”

了解动物和人类如何从经验中学习并做出决策不仅是科学研究的首要目标，而且在更广泛的商业、政府和科技领域也大有裨益。然而，现有的此类模型由于旨在描述最优决策，往往无法捕捉到现实行为。

总体而言，《自然》新研究中描述的模型与人类、非人类灵长类动物和实验室大鼠的决策过程相符。值得注意的是，该模型预测的决策并非最优，从而更好地反映了决策的“现实世界”本质——这与专注于解释最优决策的传统模型的假设形成了鲜明对比。此外，纽约大学和加州大学圣地亚哥分校的科学家的模型能够预测个体层面的决策，揭示每个参与者在做出决策时如何运用不同的策略。

Marcus总结道：“正如研究个体身体特征的差异彻底改变了医学一样，了解个体决策策略的差异可能会改变我们对心理健康和认知功能的态度。”

Discovering cognitive strategies with tiny recurrent neural networks