認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

Title:State and capacity in neural models of cognition and consciousness

發(fā)表時(shí)間:2026-05-19

發(fā)表期刊:Trends Open

影響因子:新刊，還沒有IF

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

引言

近幾年，ANN、RNN、Transformer 這類神經(jīng)網(wǎng)絡(luò)模型越來越多地被用來研究人類行為和腦表征。它們確實(shí)可以把人的選擇、反應(yīng)時(shí)，甚至某些神經(jīng)活動(dòng)擬合得非常好。但這也帶來一個(gè)核心疑問：如果一個(gè)模型只是行為上很像人，我們是否就可以用它來研究人腦？更進(jìn)一步說，一個(gè)黑箱模型從“擬合行為”走向“解釋機(jī)制”，中間到底需要什么證據(jù)？

相比之下，傳統(tǒng)認(rèn)知模型雖然通常更簡(jiǎn)單，但它們的優(yōu)勢(shì)在于有明確的心理學(xué)假設(shè)和更新機(jī)制。例如強(qiáng)化學(xué)習(xí)模型會(huì)明確假設(shè)個(gè)體如何根據(jù) prediction error 更新價(jià)值，貝葉斯模型會(huì)假設(shè)個(gè)體如何整合證據(jù)并更新 belief，漂移擴(kuò)散模型會(huì)解釋證據(jù)積累和決策閾值。也就是說，傳統(tǒng)模型不一定擬合能力最強(qiáng)，但它們往往更容易把參數(shù)、公式和心理過程對(duì)應(yīng)起來，因此天然更接近“機(jī)制解釋”

ANN/RNN 的優(yōu)勢(shì)則在另一個(gè)方向：它們可以學(xué)習(xí)復(fù)雜任務(wù)，擬合復(fù)雜行為，并且模型內(nèi)部的表征和動(dòng)態(tài)可以被完整記錄、反復(fù)運(yùn)行、消融和擾動(dòng)。這一點(diǎn)是研究人腦時(shí)很難做到的。但它們的問題也同樣明顯：擬合得好不等于機(jī)制正確，hidden state 和腦活動(dòng)相關(guān)也不等于解釋了腦區(qū)功能。如果沒有進(jìn)一步的干預(yù)和檢驗(yàn)，ANN/RNN 很容易只是一個(gè)強(qiáng)大的預(yù)測(cè)器，而不是認(rèn)知機(jī)制模型

這篇文章想做的，正是為這個(gè)問題提供一個(gè)中間層框架。作者并沒有簡(jiǎn)單地說“因?yàn)?ANN 像人，所以可以研究人腦”，而是強(qiáng)調(diào)：從預(yù)測(cè)走向機(jī)制，需要區(qū)分模型的state和capacity。前者指固定架構(gòu)當(dāng)前如何運(yùn)行，例如增益、噪聲、注意分配和決策閾值；后者指模型原則上能夠表征什么，例如深度、循環(huán)結(jié)構(gòu)、多模態(tài)能力和上下文長(zhǎng)度。文章的核心觀點(diǎn)是：只有當(dāng)我們能把模型內(nèi)部操作、行為簽名和神經(jīng)表征聯(lián)系起來，并通過擾動(dòng)、消融和人—模型平行比較進(jìn)行檢驗(yàn)時(shí)，ANN/RNN 才有可能從黑箱預(yù)測(cè)器變成研究認(rèn)知和意識(shí)機(jī)制的科學(xué)工具

核心框架與整合邏輯

作者提了一個(gè)雙軸框架：“全局計(jì)算狀態(tài)”和“結(jié)構(gòu)容量”，其中狀態(tài)軸說的是固定架構(gòu)怎么被運(yùn)行起來，包括增益、注意重加權(quán)、內(nèi)部噪聲、決策閾值這些東西，主要影響反應(yīng)速度、穩(wěn)定性、選擇性和變異性；容量軸說的是架構(gòu)和規(guī)模本身限定了能表征什么，包括深度、遞歸或上下文長(zhǎng)度、多模態(tài)廣度還有整體縮放，決定系統(tǒng)能不能編碼層級(jí)、時(shí)間關(guān)系和跨模態(tài)實(shí)體

這個(gè)框架不是完整的認(rèn)知架構(gòu)，而是一個(gè)最小比較工具：當(dāng)模型和人類表現(xiàn)相似的時(shí)候，研究者得判斷這種相似到底來自狀態(tài)沒調(diào)對(duì)、容量不夠，還是兩者攪在一起，然后通過交叉操控、rescue/ablation 和人類-模型平行干預(yù)來檢驗(yàn)

關(guān)鍵洞察與未來方向

洞察一：機(jī)制對(duì)齊必須把“運(yùn)行方式”和“表征邊界”拆開

光靠行為或腦數(shù)據(jù)對(duì)齊，沒法判斷機(jī)制從哪來。相似的表現(xiàn)可能只是暫時(shí)的狀態(tài)配置，也可能是結(jié)構(gòu)容量卡住了，或者兩者一起作用。這個(gè)框架要求把預(yù)測(cè)擬合轉(zhuǎn)成可以檢驗(yàn)的機(jī)制比較

Fig. 1 把人類認(rèn)知和ANN同時(shí)放進(jìn)狀態(tài)軸和容量軸，用來說明相似行為為什么可能對(duì)應(yīng)不同的機(jī)制來源

增益、注意、噪聲和閾值這些狀態(tài)類操控，能改變決策、學(xué)習(xí)、注意和輕量適配的表現(xiàn)，但沒法憑空變出新的記憶系統(tǒng)、遞歸結(jié)構(gòu)或多模態(tài)綁定能力。在參數(shù)高效微調(diào)這類邊界情形里，如果小參數(shù)更新造成了持久的表征重組，那就不該算成純狀態(tài)變化

Table 1 總結(jié)了狀態(tài)類操控、認(rèn)知對(duì)應(yīng)物和可觀測(cè)的解離指標(biāo)，幫我們把“靈活性”轉(zhuǎn)化成可比較的機(jī)制假設(shè)

深度、遞歸和多模態(tài)廣度會(huì)擴(kuò)展模型能編碼的層級(jí)、時(shí)間關(guān)系和跨模態(tài)實(shí)體關(guān)系；但容量擴(kuò)展不等于單純堆參數(shù)量。學(xué)習(xí)制度、外部記憶這些雖然影響行為，作者把它們當(dāng)成重要擴(kuò)展，而不是獨(dú)立的第三軸

Table 2 總結(jié)了容量類操控、認(rèn)知功能和人機(jī)比較指標(biāo)，幫我們區(qū)分表征本體的擴(kuò)展和單純的性能提升

省流總結(jié)

這篇綜述的核心貢獻(xiàn)，是用“全局計(jì)算狀態(tài)”和“結(jié)構(gòu)容量”把ANN認(rèn)知模型研究重新整理了一遍：前者解釋固定架構(gòu)怎么被調(diào)動(dòng)，后者解釋系統(tǒng)原則上能表征什么。它提醒研究者，高擬合只是個(gè)起點(diǎn)，真正的機(jī)制解釋需要可區(qū)分、可干預(yù)、可復(fù)核的雙軸證據(jù)

作者團(tuán)隊(duì)：從意識(shí)科學(xué)到認(rèn)知負(fù)荷理論

這篇綜述由王彭博士構(gòu)思核心框架并牽頭撰寫，聯(lián)合來自人工智能、認(rèn)知科學(xué)、意識(shí)科學(xué)與教育心理學(xué)等領(lǐng)域的國(guó)際學(xué)者共同完成。

作者團(tuán)隊(duì)中尤其值得關(guān)注的是 Steven Laureys 與 Fred Paas 兩位重量級(jí)學(xué)者。

Steven Laureys 是國(guó)際意識(shí)科學(xué)與意識(shí)障礙研究領(lǐng)域的代表性人物之一，也是 Coma Science Group 的創(chuàng)始人。他長(zhǎng)期研究昏迷、植物狀態(tài)、最小意識(shí)狀態(tài)以及意識(shí)的神經(jīng)機(jī)制，并擁有多項(xiàng)國(guó)際學(xué)術(shù)院士/會(huì)士身份，包括歐洲神經(jīng)病學(xué)科學(xué)院 Fellow、比利時(shí)皇家醫(yī)學(xué)科學(xué)院成員、歐洲科學(xué)院成員以及 Academia Europaea 成員。其參與使本文關(guān)于“神經(jīng)網(wǎng)絡(luò)、意識(shí)訪問與意識(shí)障礙”的討論，具有深厚的神經(jīng)科學(xué)和臨床意識(shí)研究背景。

Fred Paas 則是認(rèn)知負(fù)荷理論領(lǐng)域的奠基性學(xué)者之一。自20世紀(jì)90年代以來，他持續(xù)推動(dòng)認(rèn)知負(fù)荷理論的發(fā)展，使其成為學(xué)習(xí)科學(xué)、教育心理學(xué)和教學(xué)設(shè)計(jì)領(lǐng)域最具影響力的理論框架之一。他在“人類認(rèn)知結(jié)構(gòu)如何限制學(xué)習(xí)”“教學(xué)設(shè)計(jì)如何適配認(rèn)知容量”等問題上的長(zhǎng)期貢獻(xiàn)，也使本文關(guān)于“結(jié)構(gòu)容量”“認(rèn)知限制”和“人工系統(tǒng)如何模擬人類學(xué)習(xí)”的討論更具理論深度。

其他作者也來自不同領(lǐng)域：Hongjun Liu 來自紐約大學(xué)數(shù)據(jù)科學(xué)中心，F(xiàn)ilip Ilievski 來自阿姆斯特丹自由大學(xué)計(jì)算機(jī)科學(xué)系，Lesya Ganushchak 來自鹿特丹伊拉斯姆斯大學(xué)，鄒立業(yè)（Liye Zou）來自武漢體育學(xué)院心理學(xué)院 Body-Brain-Mind Laboratory。這個(gè)組合也體現(xiàn)了文章本身的跨學(xué)科特征：它不是單純討論AI模型性能，而是把神經(jīng)網(wǎng)絡(luò)放到認(rèn)知、意識(shí)、學(xué)習(xí)和臨床機(jī)制的共同語(yǔ)境中理解。

分享人：王彭，天天

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認(rèn)知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級(jí)大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場(chǎng)探索未知的長(zhǎng)跑，但你無(wú)需獨(dú)行。歡迎加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無(wú)垠前沿。

點(diǎn)擊卡片進(jìn)群，歡迎你的到來

一鍵關(guān)注，點(diǎn)亮星標(biāo) ? 前沿不走丟！

一鍵分享，讓更多人了解前沿