2025年7月2日，加州大学圣地亚哥分校神经科学博士生李济安在Nature发表研究，他从物理学理论中找到了理解神经科学的奇妙角度——从动力系统出发的公式发现，基于此构建了一种结构极简、完全数据驱动的模型，能够在无需任何人为假设的前提下，捕捉复杂且非最优的行为模式，在行为预测精度上全面优于传统模型。这为生物体策略行为提供了一种可计算、可视化且易于理解的抽象结构。

撰文 | 路飞

自亚里士多德提出“人是理性的动物”这一经典论断，理性便被视作人类行为决策的核心原则。从经济学中的“理性人”假设，到决策理论中对最优选择的追求，诸多思想与研究都暗含着对人类决策理性的肯定。著名认知心理学家、普林斯顿大学教授丹尼尔·卡尼曼在其畅销书《思考，快与慢》中向世人抛出一个重要问题，“人类究竟有多理性？”有意思的是，虽然诺贝尔奖中没有心理学奖，但是丹尼尔·卡尼曼作为认知心理学家，凭借着对于人的行为决策方面的研究贡献，于2002年获得了诺贝尔经济学奖。在日常生活中，人们看似繁杂的决策背后，往往藏着对成本、收益与风险的权衡，这种基于理性的判断贯穿于从日常购物到职业规划的方方面面。

随着人工智能技术的飞速发展，大模型正成为人类决策的重要辅助力量。从金融投资中的风险预测，到医疗诊断中的方案推荐，从城市交通的智能调度，到个人学习计划的定制，大模型凭借对海量数据的分析能力和复杂逻辑的运算能力，不断为人类提出更精准、高效的最优决策路径，让理性决策在更多领域得以延伸。比如，AlphaFold因为对蛋白质复杂结构的预测，获得了2024年诺贝尔化学奖。

然而，人类决策机制的深层逻辑始终笼罩着一层神秘面纱。为何在相同信息下不同人会做出迥异选择？决策过程中理性与直觉如何交织作用？这些问题推动着脑科学、神经科学与心理学等多学科展开持续探索。人工智能的飞速发展，正在重新激发人们对一个关键问题的关注：AI能否反过来帮助我们理解大脑？7月2日，加州大学圣地亚哥分校神经科学博士生李济安在Nature发表研究，尝试给出答案。

是“最优”的，但不是对的

如何理解文中提到的微型神经网络模型，能够刻画生物体的策略学习过程，进而揭示决策行为中隐含的复杂认知机制？李济安先从传统认知模型构建娓娓道来。

在心理学和神经科学领域，研究者常通过计算模型解析生物体的认知过程，如感知、记忆、决策与学习机制。以决策为例，模型可帮助理解个体如何基于过往经验，在多个选项中做出选择。

传统认知建模方法中，贝叶斯最优模型由研究者依据任务结构手动构建，其核心假设是生物体整合所有可用信息，以概率最优方式判断。例如医生诊断时综合症状、检验结果、流行病趋势与经验积累证据，正是这种不确定信息整合的体现，该模型默认个体对信息和不确定性有最优估计。

另一类典型方法是强化学习模型，它假设人或动物通过与环境互动，从“奖励”或“惩罚”中学习行为策略。比如在老虎机任务中，参与者经反复尝试逐渐偏好中奖率更高的机器，这一通过奖励优化策略的过程，可由强化学习算法模拟其行为价值更新机制。

这些模型具有一个共同特点：它们结构简洁，参数量少，比如“学习率”（即控制新信息更新速度）和“决策噪音”（即干扰决策的影响因素，反映行为的随机性），因此容易解释和拟合。但恰恰因其简洁性以及隐含的最优性假设，它们往往难以捕捉真实生物行为中普遍存在的复杂性与次优性。

例如实验中观察到，当奖励结构发生改变后，动物常常仍固守之前的选择偏好——即便新选择更优。这种“固执”的行为现象很难被最优模型解释。研究者往往需要在模型中人为增加额外的“惯性”参数，或设计特定规则来拟合实际行为。然而，随着需解释的行为细节不断增多，模型结构会变得愈发繁琐，充满“补丁式”假设，这不仅容易引入主观偏见，也使其难以推广应用到其他情景任务中。

这是传统认知模型一直为学界所诟病的弊端。

李济安从2021年开始着手利用神经网络研究人的行为决策，他想了解神经网络学习人的行为决策背后的策略是什么。这是对传统认知模型的直接亮剑，是否存在一种无需预设的建模方式，能够让模型直接从行为数据中“自主发现”策略？

李济安 | 图源：本人提供

得益于李济安本科期间扎实的数理基础，他从物理学公式中找到了理解神经科学的奇妙角度——从动力系统出发的公式发现。

“我是中国科学技术大学12级本科生，虽然我本科是生物学专业，但是科大的学生在本科期间数学和物理都是必修的，数理基础比较好，业内人常说我们的数学课比其他数学专业的课程还难，我觉得这一定程度上影响了我的思维。”李济安表示，“很多时候学了这些知识，当时可能没觉得有用，但是可能在某一瞬间灵光乍现，所有学科是相通的。”

自动公式发现的核心基于符号回归技术。与常见的函数拟合不同，拟合往往只是用已知函数形式去逼近数据，而符号回归是在给定的函数库（包含对数函数、三角函数、多项式函数等）中，通过组合和算术运算生成一个函数，力求精确拟合输入输出数据。例如在研究物体的运动轨迹时，符号回归能从物体在不同时刻的位置、速度等数据里，找到描述其运动规律的准确公式，像匀加速直线运动的位移公式

就有可能被自动发现。李济安通过查阅资料发现，这一原理已经广泛应用到物理、工程科学等领域中。

受此启发，李济安提出了一种新的方法：使用微型循环神经网络（recurrentneuralnetwork，RNN）作为通用策略学习器，对个体的行为动态进行建模（图1）。

图1 RNN模型概览 | 图源：论文

从物理学中的动力系统出发

循环神经网络（RNN）是一类专为建模时间序列数据设计的神经网络结构，其核心优势在于能通过内部的循环连接机制，自动捕捉数据随时间推移形成的动态依赖关系，比如行为序列中前后动作的关联规律。

李济安所采用的模型极具精简性，仅包含1-4个神经单元。这种轻量化设计让模型在保留对复杂行为模式足够表达能力的同时，维持了较强的可解释性，使得深入分析其内部神经元的活动机制与决策逻辑成为可能。

李济安的核心研究问题是：这种结构极简、完全数据驱动的模型，是否能够在无需任何人为假设的前提下，捕捉复杂且非最优的行为模式——比如人们常常懒得换、爱用老办法（“偏好保持”）或在“尝鲜”和“吃老本”之间反复权衡（“探索-利用”权衡）等，它是否能够在多样化任务中超越传统强化学习或混合策略模型的表现？

实验结果显示，这些微型循环神经网络模型在六类经典奖励学习任务中（涵盖人类、猴子、小鼠、大鼠的行为数据）表现出色，在行为预测精度上全面优于传统模型（如图2所示），并可与更大规模的循环神经网络相媲美（如图3所示）。这表明，即便使用高度压缩的网络，它依旧能学会并举一反三地模仿各种复杂决策，展现出用模型理解动物和人类的行为的巨大潜力。

图2 RNN在动物任务中的表现 | 图源：论文

图3 蒸馏模型的表现 | 图源：论文

这些仅有1–4个神经元构成的RNN模型在行为预测上不仅准确，而且具备很强的可解释性。“在模型中，动物行为的决策随时间变化，我突然一瞬间就想到了物理学中研究小球的运动，需要记录运动的方向、时间、距离等等。于是我就用物理学中的动力系统的分析方法，用一张图来呈现决策过程，以当前动作偏好（Logit）为坐标、用箭头或颜色指示下一步的变化方向与幅度。这是整个研究中最大的突破点。”李济安解释道，“这些图片展示了不同模型在运行时的关键特点，比如哪些状态是稳定的，哪些状态会吸引模型靠近，以及模型如何在状态间切换，清晰地呈现了动物的思维如何从一个想法或状态转变到另一个。”

李济安从动力系统出发的研究方法，带来了很多意料之外的发现。例如，某些行为策略会根据不同的状态调整学习速度，类似人在不同情境下改变学习方式。此外，它还揭示了一些传统方法难以发现的新心理机制，如奖励后可能表现出“无所谓”倾向，决策时不再在意差别。

起初，2023年5月李济安第一次投稿时，只用了三个动物的数据集。审稿人认为说服力不够，“应用性不够广泛”。于是，他在二轮返稿的时候，补充了人类的数据集。结果同样符合预期，审稿意见这才明朗起来。

图4 基于动力系统分析的模型解释和比较

极具启发性的是，李济安发现即使是面对复杂任务，描述单个个体的行为所需的最小网络维度也很低。这提示了每个受试对象在特定任务中的“最小行为维度”是有限的。这种从动力学系统出发的研究方法不仅有助于刻画个体差异，也为认知建模提供了一个新的、可量化的指标来描述行为的复杂性。

最振奋人心的是，神经网络在人们心中将会发生转变，不再只是一个行为拟合的黑箱工具，而正在成为一种认知显微镜。神经网络工具长期被喻为“黑箱”，其核心在于：数据输入后经多层神经元的加权计算、特征传递最终输出结果，但内部数据处理逻辑、特征提取过程与决策依据均难以用清晰直观的方式解释——人们能看到输入与输出，却无法透视内部运作的“齿轮与链条”，这种不透明性也带来了可解释性不足的挑战。

而李济安他们的研究表明，神经网络不仅具备数据驱动的建模能力，还能通过压缩与适当的模型分析，揭示出潜在的行为生成机制。这项研究成果不仅扩展了认知建模的工具集，也为高可解释性行为建模提供了新的方向。

这种研究范式与当前“AI for Science”的趋势不谋而合，即：神经网络作为模型发现的中介工具，能够从高维实验数据中提取结构化知识。为了实现知识的可解释表达，需要找到适当的结构化表示形式。理想的表示形式应满足两点：一是具备良好的预测能力，二是对人类研究者而言语义清晰、逻辑透明。例如，AlphaFold在蛋白质建模中通过图结构表示氨基酸间的几何约束。

在该项研究中，这种结构化形式体现为低维离散动力系统，即只用少数几个关键指标，描述和预测事件随时间如何一步步变化。这为生物体策略行为提供了一种可计算、可视化且易于理解的抽象结构。

本硕博三个不同专业，只做一件事情

“要说从什么时候对大脑、神经、生物这些感兴趣，应该要追溯到我小时候”，李济安陷入思考。

李济安1994年出生于安徽芜湖，从小学就学习编程语言，参与电脑竞赛班。初中起，他开始对生物感兴趣。由此，他凭借生物竞赛和计算机竞赛保送中国科学技术大学，2016年获神经生物与生物物理理学学士、计算机科学与技术（双）工学学士学位。2019年获中国科学技术大学应用统计硕士学位。目前在加州大学圣地亚哥分校读博，从事神经科学研究。

本硕博三个专业，乍一看毫不相关，但实则不然。本科期间，除了周末攻读计算机课程，李济安还加入了张效初老师的生命科学院认知神经心理学实验室，这是他科研之路的开端。在研究中，他发现应用统计学是从事学术研究工作的工具和基础，于是硕士转向应用统计学。在此期间，他一边跟随统计学导师，一边跟随生物学导师，向着预测人类行为的方向持续深耕。

“其实现在很多研究人员都是交叉学科背景的，像做神经科学领域的，你会发现有人工智能的、统计学的、心理学的。我觉得学习研究是一个过程，做好前期充足的知识储备，才可能会在潜移默化中迸发灵感。比如我一直没有丢下AI的学习，没有忽略研究工具的学习。”

在大语言模型能力持续发展的当下，AI与神经科学的关联日益紧密，由此催生了新兴的NeuroAI领域。这一领域主要关注两个方向的探索：一是“用AI研究大脑”（AIforNeuro），希望借助AI技术自动处理神经数据、提取相关特征，通过人工神经网络模拟神经元活动规律与认知过程，验证或提出新的神经科学理论；二是“用大脑启发AI”（NeuroforAI），希望借助神经科学技术理解AI系统的内部工作原理，基于生物大脑高效的信息处理方式，让AI变得更聪明、更节能、更具类人性。

这项研究揭示了人工神经网络可以帮助我们理解人类的认知机制，正如前文提及NeuroAI有两个核心议题，李济安的研究并没有止步。

在本项研究尘埃落定之后，他接着去验证了第二个议题，反过来尝试用神经科学中的理论，来解释大型语言模型（LLMs）所展现出的某些智能特性。结果表明，语言模型确实展现出一定程度的基于上下文学习的元认知能力：它们不仅能够监控自己内部的神经状态，还能在一定程度上对其进行调控。

末了，李济安沉浸在研究中，脸上略显兴奋，“这种互为镜像、相互促进的智能理解体系，正是NeuroAI所描绘的愿景。”

特 别 提 示

1. 进入『返朴』微信公众号底部菜单“精品专栏“，可查阅不同主题系列科普文章。

2. 『返朴』提供按月检索文章功能。关注公众号，回复四位数组成的年份+月份，如“1903”，可获取2019年3月的文章索引，以此类推。

版权说明：欢迎个人转发，任何形式的媒体或机构未经授权，不得转载和摘编。转载授权请在「返朴」微信公众号内联系后台。

Tags：神经科学神经网络决策能力极简