用腦部成像技術測試關於複雜決策的理念：使人工智慧中的演算法更接近人類思維
背景
近年來心理學家和神經科學家們對於人類大腦如何處理複雜情境提出了一個理論：大腦建立了對世界的因果模型，這有助於規劃和執行行動。這類似於在心理上執行模擬，以檢視哪些結果是好的或壞的。為了探索這個理論，哈佛大學的教授 Samuel Gershman 和博士後研究員 Momchil Tomov 讓志願者玩類似 Atari 的電子遊戲，同時使用功能性磁共振成像（fMRI）技術進行掃描。透過研究結果，他們發現在遊戲過程中，訊息的傳遞方向是自上而下的，與他們最初的假設相反。算法模擬
近幾十年來，電腦科學家們將這些觀念發展成了一種稱為強化學習（Reinforcement Learning，RL）的系統。像 Tomov 這樣在心理學和技術交叉領域工作的研究人員，甚至引入了計算模型，試圖捕捉強化學習在大腦中的執行方式。在一篇發表在《Neuron》雜誌上的新論文中，Tomov 和他的合著者使用 fMRI 技術，將他們的演算法理論與現實世界的成像結果進行了比較。目的和意義
為什麼要設計模擬人類思維和決策的演算法？Tomov 解釋說："如果沒有一個精確的計算模型，能把輸入對映到輸出，研究認知過程就會變得困難。"研究人員們還希望他們的工作能夠推動強化學習的發展，這是人工智慧領域最重要的成功案例之一。事實上強化學習已經在棋盤遊戲和電子遊戲等領域擊敗了人類，但直到最近，它在學習新遊戲方面還顯得有些緩慢。Tomov 表示："比傳統機器學習更接近人類思維的演算法在某些領域可以表現得更好。"實驗過程和結果
在這項研究中，研究人員將他們的演算法應用到了 32 名受試者身上，這些受試者在存取到 fMRI 掃描器的同時玩了一些類似 Atari 的電子遊戲，最終掌握了這些遊戲的技巧。研究人員預測到，他們將在額前皮質（大腦前部）的基於理論的模型中找到證據，並且後續的模型更新將出現在後頭皮質（大腦後部）。然而他們的假設和演算法在細節上有所分歧。他們預期會在眶額皮質中找到基於理論的模型的證據，但實際上他們在額下回中找到了這樣的模型。Tomov 指出，從後續研究中，這一發現在事後來看是合理的，因為 Gershman 實驗室的早期研究發現額下回參與了學習“統治世界的因果規則”。討論和意見
這項研究的結果顯示了人類決策和學習的神經架構。研究人員們的預測錯誤時，不僅在後頭皮質中出現模型更新的訊號，還同時在額下回中活化該模型。此外大腦中訊息的傳遞方向也引起了研究人員的驚喜。在遊戲過程中，訊息似乎是從模型，儲存在額前皮質的某處，向下流向後方視覺區域。但是當出現情報有出入的時候，傳遞方向則相反，訊息從後方區域向前方區域自下而上地流動。 這項研究為理解人類思維和決策提供了重要的洞見，並為將來開發更人性化的人工智慧演算法奠定了基礎。然而這項研究的樣本數較小，只有 32 名受試者，因此需要更多的研究來取證這些結果的普遍性。此外應留意研究中提到的腦部區域的具體功能和定義仍然是開放問題，需要更進一步的研究來進一步界定。結論和建議
隨著人工智慧的快速發展，將 AI 的演算法設計得更接近人類思維和決策的能力將是一個重要的研究領域。這將有助於提高 AI 在處理複雜情境中的表現，並帶來更廣泛的應用。然而在實際應用之前，我們需要進一步深入研究大腦的神經架構，以確保哪些區域與具體的認知和決策過程相聯動。同時需要更多的實驗和資料來取證這些研究的結果並建立更可靠的模型。 這項研究也提醒我們，當我們設計人工智慧系統時，我們應該從人類思維的角度出發，盡量使演算法更符合人類的認知和決策過程。這將有助於我們開發出更人性化和可信賴的 AI 系統，並將人工智慧應用到更多領域，以促進人類的進步和幸福。原文來源：https://techxplore.com/news/2023-07-algorithms-ai-human-like-scientists-fmri.html
Brainimaging-人工智慧,算法,腦部成像技術,複雜決策,科學家
