（來源：MIT Technology Review）

當(dāng)前，人工智能發(fā)展的核心悖論在于：神經(jīng)網(wǎng)絡(luò)雖以人腦為靈感來源，卻在運行機制上與生物體存在本質(zhì)差異。一個蹣跚學(xué)步的幼兒僅需日常飲食和語言互動就能自然習(xí)得溝通能力；而科技巨頭卻不得不動用核電站級的能源、制造環(huán)境代價，甚至引發(fā)數(shù)據(jù)倫理爭議，才能維持其大語言模型的運轉(zhuǎn)。

這種仿生與異質(zhì)并存的特征，使人工智能與腦科學(xué)形成了奇妙的鏡像關(guān)系。雖然二者在能耗和數(shù)據(jù)需求上存在數(shù)量級的差異，但作為地球上僅有的兩個能實現(xiàn)復(fù)雜語言生成的系統(tǒng)，它們確實共享著某些深層特性：都采用分布式并行處理架構(gòu)（人腦依靠 860 億生物神經(jīng)元，AI 依賴參數(shù)化的虛擬節(jié)點）；都展現(xiàn)出涌現(xiàn)性的智能特征；也都讓研究者陷入“知其然不知其所以然”的困境。

作為橫跨神經(jīng)科學(xué)與人工智能報道的從業(yè)者，筆者目睹了這一交叉領(lǐng)域的勃興。神經(jīng)科學(xué)家們普遍認(rèn)為，構(gòu)建類似大腦的神經(jīng)網(wǎng)絡(luò)是該領(lǐng)域最有前途的途徑之一，這種觀點也開始蔓延到心理學(xué)領(lǐng)域。

上周，在權(quán)威期刊Nature上發(fā)表的兩篇背靠背研究中，展示了神經(jīng)網(wǎng)絡(luò)在心理實驗中預(yù)測人類和其他動物行為的應(yīng)用。這兩項研究都表明，這些經(jīng)過訓(xùn)練的模型可以幫助科學(xué)家加深對人類思維的理解。但預(yù)測行為和解釋行為的產(chǎn)生是兩碼事。

原始的大型語言模型并不擅長模擬人類行為，例如在賭場等讓人喪失理智的場景中，它們?nèi)员３诌壿嬇袛唷?strong>在第一項研究中，研究人員對基于 Meta 的開源模型 Llama 3.1 進行微調(diào)優(yōu)化，通過 160 個心理學(xué)實驗的超過一千萬個決策的專項訓(xùn)練，包含“選擇最優(yōu)老虎機獲取最大收益”或“記憶字母序列”等任務(wù)，獲得的名為“半人馬”（Centaur）的模型能夠以高保真度模擬人類的選擇模式和反應(yīng)時間。

與使用簡單數(shù)學(xué)方程的傳統(tǒng)心理學(xué)模型相比，“半人馬”模型在行為預(yù)測方面表現(xiàn)更優(yōu)。準(zhǔn)確預(yù)測人類在心理學(xué)實驗中的反應(yīng)本身就極具價值：例如科學(xué)家可在招募付費受試者前，先用該模型在計算機上預(yù)演實驗。但研究者在其論文中提出，“半人馬”不應(yīng)僅作為預(yù)測工具——通過解析其模擬人類行為的機制，或能催生關(guān)于心智運作的新理論。

不過部分心理學(xué)家質(zhì)疑該模型對理解心智的貢獻。雖然其行為預(yù)測確實優(yōu)于傳統(tǒng)模型，但參數(shù)規(guī)模卻超出后者十億倍。模型的外在表現(xiàn)像人類，絕不意味著內(nèi)在機制亦如此。荷蘭拉德堡德大學(xué)計算認(rèn)知科學(xué)助理教授 Olivia Guest 將其比作計算器：雖能準(zhǔn)確預(yù)測數(shù)學(xué)天才的加法答案，但研究計算器無助于理解人類算術(shù)機制。

即便“半人馬”真能捕捉人類心理的某些關(guān)鍵特征，科學(xué)家仍難從其數(shù)百萬“神經(jīng)元”中提取洞見。盡管人工智能研究者正努力破解大語言模型的工作原理，這個黑箱仍未被真正打開。要理解這種巨型神經(jīng)網(wǎng)絡(luò)心智模型，其難度恐怕不亞于直接研究人腦本身。

這種困境在另一項研究中得到某種程度的平衡。第二項研究聚焦微型神經(jīng)網(wǎng)絡(luò)（最小僅含單個神經(jīng)元），卻能預(yù)測小鼠、大鼠、猴子乃至人類行為。因其結(jié)構(gòu)極簡，研究者可追蹤每個神經(jīng)元的激活狀態(tài)，從而解析整個網(wǎng)絡(luò)的預(yù)測機制。雖無法保證這些模型與模擬大腦的運作方式相同，但至少能為人類和動物認(rèn)知研究提供可驗證的假說。

可解釋性需要代價。與能處理數(shù)十種任務(wù)的“半人馬”不同，每個微型網(wǎng)絡(luò)僅適用于單一任務(wù)，例如某個網(wǎng)絡(luò)專精預(yù)測人類選擇老虎機的行為。“行為越復(fù)雜，所需網(wǎng)絡(luò)就越大，”紐約大學(xué)心理學(xué)與神經(jīng)科學(xué)助理教授、該研究的領(lǐng)導(dǎo)者 Marcelo Mattar 指出（他同時參與了“半人馬”項目），“代價就是模型變得極其難以理解?！?/p>

這種預(yù)測與理解的權(quán)衡正是神經(jīng)網(wǎng)絡(luò)科學(xué)的典型特征。Mattar 的研究正在縮小這一差距——盡管網(wǎng)絡(luò)規(guī)模極小，其預(yù)測精度仍超越傳統(tǒng)心理學(xué)模型。Anthropic 等機構(gòu)對大模型可解釋性的研究也是如此。但就目前而言，從人類心智到氣候系統(tǒng)再到蛋白質(zhì)結(jié)構(gòu)，我們對復(fù)雜系統(tǒng)的理解能力已遠遠落后于預(yù)測能力。

站在技術(shù)哲學(xué)的高度來看，我們正在見證一場新的“認(rèn)識論轉(zhuǎn)向”：當(dāng)傳統(tǒng)還原論方法在復(fù)雜系統(tǒng)前節(jié)節(jié)敗退時，神經(jīng)網(wǎng)絡(luò)既提供了新的研究工具，也帶來了新的認(rèn)知困境。或許正如量子力學(xué)顛覆經(jīng)典物理的認(rèn)知框架那樣，理解智能本質(zhì)的革命性突破，正孕育在這些預(yù)測與解釋的張力之中。

https://www.technologyreview.com/2025/07/08/1119777/scientists-use-ai-unlock-human-mind/