Nature：人工智能助力认知科学！科学家用微型循环神经网络解锁大脑决策秘密

近年来，随着人工智能技术的飞速发展，其在神经科学和心理学领域的应用也日益受到关注，如何从经验中学习并做出适应性决策是神经科学和心理学的核心研究目标之一；传统上，贝叶斯推断和强化学习等规范性模型框架为理解适应性行为提供了重要见解，然而这些模型的简单性往往限制了其捕捉真实生物行为的能力，从而就会导致研究者需要不断手动调整模型，这不仅耗时费力，还容易受到研究者主观性的影响。

据相关研究显示，全球每年因决策失误导致的经济损失高达数千亿美元，这就凸显了理解决策机制的重要性，此外决策失误还与多种心理健康问题有关，比如焦虑症、抑郁症等，这些疾病的全球患病率分别约为7%和4%。因此，深入研究决策背后的神经机制不仅有助于我们更好地理解大脑的工作原理，还可能为治疗相关疾病提供新的思路。作为一种强大工具，循环神经网络（RNN，recurrent neural networks）为揭示生物决策背后的认知算法提供了新的可能性。

2025年7月2日，一篇发表在国际杂志Nature上题为“Discovering cognitive strategies with tiny recurrent neural networks”的研究报告中，来自加利福尼亚大学等机构的科学家们通过研究提出了一种新型建模方法，其能利用微型循环神经网络（tiny RNN，tiny recurrent neural networks）来发现生物决策背后的认知算法。

模型概述和动物任务的性能

文章中，研究人员通过将RNN拟合到个体在奖励学习任务中的行为数据上，结果发现，这些微型网络（通常只有1到4个单元）在预测个体动物和人类的选择时不仅优于传统认知模型，而且与更大规模的神经网络相当；关键在于，这些训练后的网络能通过动态系统概念进行解释，这就使得我们可以统一比较认知模型并揭示选择行为背后的详细机制。

研究中的实验对象包括参与六种经过深入研究的奖励学习任务的动物和人类，这些任务涵盖了从简单的二选一决策到更复杂的多阶段决策过程；实验中，研究者收集参与者的决策数据并使用RNN来预测这些决策，为了确保模型的准确性和泛化能力，研究人员采用了嵌套交叉验证的方法，将数据分为训练集、验证集和测试集，此外，为了应对人类研究中数据量有限的问题，他们还开发了一种知识蒸馏框架，其能利用多主体数据来提高个体水平RNN的性能。

实验结果表明，微型RNN在预测动物和人类选择方面表现出色，甚至超过了理想的贝叶斯观察者模型，这就表明，在这些任务中，动物行为并非最优；此外，这些微型RNN还能揭示出传统模型所忽视的新型行为模式，比如可变的学习率、状态依赖的持续性及新的价值更新和选择偏差形式，相关研究发现不仅为理解决策背后的认知机制提供了新的视角，还为开发更有效的决策支持系统提供了理论基础。

综上，本文研究通过引入微型循环神经网络为建模决策过程提供了一种新的方法，这种方法不仅在预测个体行为方面表现出色，而且通过动态系统理论的解释框架，使得这些网络从“黑箱”变成了可解释的认知模型。未来研究中，研究人员还将进一步探索不同架构、训练方案或解释技术以应对更复杂任务的挑战。（生物谷Bioon.com）

参考文献：

Ji-An, L., Benna, M.K. & Mattar, M.G. Discovering cognitive strategies with tiny recurrent neural networks. Nature (2025). doi：10.1038/s41586-025-09142-4