一項新的研究利用緊湊的神經網絡來揭示人類決策背後的基本機制。
長期以來，科學家研究了人們和動物如何做出決定，經常研究最近的經歷和反複試驗的行為。但是傳統模型可能會錯過決策的關鍵方面，這主要是因為他們認為個人總是試圖根據過去的結果選擇最合乎邏輯或最有益的選擇。
在一項新研究中，研究人員通過使用不同的方法人工智慧以更現實的方式探索決策。他們創建了小型人工神經網絡，以研究這些決定是否有效，如何真正影響個人的選擇。
“我們沒有假設大腦應該如何在優化我們的決策時學習，而是開發了一種替代方法來發現個體大腦如何真正學會做出決定。”紐約大學《心理學系》和該論文的作者之一，該論文出現在雜誌上自然。 “這種方法像偵探一樣起作用，揭示了動物和人類實際上是如何做出的決策。通過使用微小的神經網絡（足夠小的足夠理解，但足夠強大，可以捕捉複雜的行為），我們發現了科學家幾十年來忽略的決策策略。”
小型神經網絡，大見解
該研究的作者指出，小型神經網絡（通常用於商業AI應用中通常使用的神經網絡的簡化版本）可以預測動物的選擇比經典認知模型更好，因為它們具有最佳的行為，因為它們可以照亮次優行為模式。在實驗室任務中，這些預測也與較大的神經網絡（例如為商業AI應用程序供電的預測）一樣好。
“使用非常小的網絡的一個優點是，它們使我們能夠部署數學工具來輕鬆解釋個人選擇背後的原因或機制，如果我們使用了大多數AI應用程序中使用的大型神經網絡，這將變得更加困難。”
“ AI中使用的大型神經網絡非常擅長預測事物，”加州大學聖地亞哥分校生物科學學院神經生物學助理教授Marcus Benna說。 “例如，他們可以預測您接下來想看的電影。但是，簡潔地描述這些複雜的策略是非常具有挑戰性的機器學習模型可以做出預測，例如為什麼他們認為您會喜歡一部電影而不是另一部電影。通過訓練這些AI模型的最簡單版本來預測動物的選擇並使用物理學方法分析動力學，我們可以更容易理解的術語來闡明它們的內部工作。 ”
超越實驗室：現實世界應用程序
了解動物和人類如何從經驗中學習以做出決定是科學中的主要目標，而且在商業，政府和技術領域更廣泛地有用。但是，這一過程的現有模型，因為它們旨在描述最佳決策，因此通常無法捕捉現實的行為。
總體而言，新的模型自然研究與人類，非人類靈長類動物和實驗室大鼠的決策過程相匹配。值得注意的是，該模型預測了次優的決策，從而更好地反映了決策的“現實世界”本質，並且與傳統模型的假設相反，這些模型側重於解釋最佳決策。此外，紐約大學和加州大學聖地亞哥科學家的模型能夠在個人層面上預測決策，揭示每個參與者如何在做出決策方面部署不同的策略。
Mattar總結說：“正如研究身體特徵的個體差異已經徹底改變了醫學一樣，了解決策策略中的個體差異也可以改變我們對心理健康和認知功能的方法。”
參考：“通過微小的經常性神經網絡發現認知策略”，Li Ji-an，Marcus K. Benna和Marcelo G. Mattar，2025年7月2日，自然。
二：10.1038/s41586-025-09142-4
這項研究得到了國家科學基金會（CNS-1730158，ACI-1540112，ACI-1541349，OAC-1826967，OAC-2112167，CNS-2100237，CNS-2100237，CNS-2120019）的支持。電信和信息技術/高通研究所。
永遠不要錯過突破：
