（來源：MIT Technology Review）

當前，人工智能發展的核心悖論在于：神經網絡雖以人腦為靈感來源，卻在運行機制上與生物體存在本質差異。一個蹣跚學步的幼兒僅需日常飲食和語言互動就能自然習得溝通能力；而科技巨頭卻不得不動用核電站級的能源、制造環境代價，甚至引發數據倫理爭議，才能維持其大語言模型的運轉。

這種仿生與異質并存的特征，使人工智能與腦科學形成了奇妙的鏡像關系。雖然二者在能耗和數據需求上存在數量級的差異，但作為地球上僅有的兩個能實現復雜語言生成的系統，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（人腦依靠 860 億生物神經元，AI 依賴參數化的虛擬節點）；都展現出涌現性的智能特征；也都讓研究者陷入“知其然不知其所以然”的困境。

作為橫跨神經科學與人工智能報道的從業者，筆者目睹了這一交叉領域的勃興。神經科學家們普遍認為，構建類似大腦的神經網絡是該領域最有前途的途徑之一，這種觀點也開始蔓延到心理學領域。

上周，在權威期刊Nature上發表的兩篇背靠背研究中，展示了神經網絡在心理實驗中預測人類和其他動物行為的應用。這兩項研究都表明，這些經過訓練的模型可以幫助科學家加深對人類思維的理解。但預測行為和解釋行為的產生是兩碼事。

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，它們仍保持邏輯判斷。在第一項研究中，研究人員對基于 Meta 的開源模型 Llama 3.1 進行微調優化，通過 160 個心理學實驗的超過一千萬個決策的專項訓練，包含“選擇最優老虎機獲取最大收益”或“記憶字母序列”等任務，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時間。

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

不過部分心理學家質疑該模型對理解心智的貢獻。雖然其行為預測確實優于傳統模型，但參數規模卻超出后者十億倍。模型的外在表現像人類，絕不意味著內在機制亦如此。荷蘭拉德堡德大學計算認知科學助理教授 Olivia Guest 將其比作計算器：雖能準確預測數學天才的加法答案，但研究計算器無助于理解人類算術機制。

即便“半人馬”真能捕捉人類心理的某些關鍵特征，科學家仍難從其數百萬“神經元”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網絡心智模型，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網絡（最小僅含單個神經元），卻能預測小鼠、大鼠、猴子乃至人類行為。因其結構極簡，研究者可追蹤每個神經元的激活狀態，從而解析整個網絡的預測機制。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知研究提供可驗證的假說。

可解釋性需要代價。與能處理數十種任務的“半人馬”不同，每個微型網絡僅適用于單一任務，例如某個網絡專精預測人類選擇老虎機的行為。“行為越復雜，所需網絡就越大，”紐約大學心理學與神經科學助理教授、該研究的領導者 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。”

這種預測與理解的權衡正是神經網絡科學的典型特征。Mattar 的研究正在縮小這一差距——盡管網絡規模極小，其預測精度仍超越傳統心理學模型。Anthropic 等機構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再到蛋白質結構，我們對復雜系統的理解能力已遠遠落后于預測能力。

站在技術哲學的高度來看，我們正在見證一場新的“認識論轉向”：當傳統還原論方法在復雜系統前節節敗退時，神經網絡既提供了新的研究工具，也帶來了新的認知困境。或許正如量子力學顛覆經典物理的認知框架那樣，理解智能本質的革命性突破，正孕育在這些預測與解釋的張力之中。

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