2025年7月2日，一項(xiàng)發(fā)表于國(guó)際權(quán)威期刊《Nature》的研究為理解人類和動(dòng)物的決策機(jī)制提供了全新視角。來(lái)自加利福尼亞大學(xué)等機(jī)構(gòu)的研究團(tuán)隊(duì)提出了一種基于微型循環(huán)神經(jīng)網(wǎng)絡(luò)（tiny recurrent neural networks, tiny RNN）的新建模方法，成功揭示了獎(jiǎng)勵(lì)學(xué)習(xí)任務(wù)中行為背后的認(rèn)知策略。

 

隨著人工智能技術(shù)的迅猛發(fā)展，其在神經(jīng)科學(xué)和心理學(xué)領(lǐng)域的應(yīng)用日益廣泛。如何從經(jīng)驗(yàn)中學(xué)習(xí)并做出適應(yīng)性決策，一直是這兩個(gè)學(xué)科的核心研究目標(biāo)之一。傳統(tǒng)上，貝葉斯推斷和強(qiáng)化學(xué)(http://www.weberwork.com/sell/l_9/)習(xí)等規(guī)范性模型框架為理解決策行為提供了理論支持，但這些模型往往結(jié)構(gòu)簡(jiǎn)單，難以準(zhǔn)確捕捉復(fù)雜的生物行為。為了彌補(bǔ)這一缺陷，研究人員通常需要手動(dòng)調(diào)整模型參數(shù)，不僅耗時(shí)費(fèi)力，還容易受到主觀因素的影響。

 

更令人關(guān)注的是，全球每年因決策失誤造成的經(jīng)濟(jì)損失高達(dá)數(shù)千億美元。此外，決策機(jī)制異常也與多種心理健康問(wèn)題密切相關(guān)，如焦慮癥（患病率約7%）和抑郁癥（患病率約4%）。因此，深入探索決策過(guò)程中的神經(jīng)基礎(chǔ)，不僅有助于揭示大腦工作機(jī)制，也為相關(guān)疾病的治療提供了潛在路徑。

 

在這項(xiàng)新研究中，科學(xué)家們通過(guò)將微型RNN擬合到個(gè)體在六種經(jīng)典獎(jiǎng)勵(lì)學(xué)習(xí)任務(wù)中的行為數(shù)據(jù)中，發(fā)現(xiàn)僅由1至4個(gè)單元構(gòu)成的小型神經(jīng)網(wǎng)絡(luò)，在預(yù)測(cè)動(dòng)物和人類選擇方面表現(xiàn)優(yōu)異，甚至優(yōu)于傳統(tǒng)的理想貝葉斯觀察者模型。這表明，在現(xiàn)實(shí)任務(wù)中，生物體的行為并不總是最優(yōu)的，而是依賴于特定的認(rèn)知策略。

 

為了提升模型的泛化能力，研究人員采用嵌套交叉驗(yàn)證的方法，將數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。同時(shí)，針對(duì)人類實(shí)驗(yàn)數(shù)據(jù)量有限的問(wèn)題，他們開(kāi)發(fā)出一種“知識(shí)蒸餾”框架，利用多主體數(shù)據(jù)來(lái)增強(qiáng)個(gè)體水平模型的表現(xiàn)。

 

實(shí)驗(yàn)結(jié)果顯示，訓(xùn)練后的微型RNN不僅能精準(zhǔn)預(yù)測(cè)個(gè)體行為，還能揭示傳統(tǒng)模型所忽略的復(fù)雜行為模式，例如動(dòng)態(tài)變化的學(xué)習(xí)率、狀態(tài)依賴的行為持續(xù)性、新的價(jià)值更新規(guī)則以及選擇偏差形式。更重要的是，借助動(dòng)態(tài)系統(tǒng)理論，這些原本被視為“黑箱”的神經(jīng)網(wǎng)絡(luò)變得可解釋，從而實(shí)現(xiàn)了對(duì)認(rèn)知機(jī)制的深入剖析。

 

這項(xiàng)研究標(biāo)志著人工智能與認(rèn)知科學(xué)的深度融合，為未來(lái)構(gòu)建更具解釋力的行為模型提供了范式。研究人員表示，下一步將探索不同網(wǎng)絡(luò)架構(gòu)、訓(xùn)練策略和解釋工具(http://www.weberwork.com/sell/l_5/)，以應(yīng)對(duì)更復(fù)雜決策任務(wù)的挑戰(zhàn)。該成果不僅推動(dòng)了神經(jīng)科學(xué)和心理學(xué)的發(fā)展，也為開(kāi)發(fā)個(gè)性化決策支持系統(tǒng)及精神疾病干預(yù)手段帶來(lái)了新的可能性。