Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior
本文倡导一种“自然主义计算认知科学”方法，将人工智能进展与认知及神经科学研究相结合，以构建能够解释自然行为全谱系且保持实验严谨性的可推广理论与模型。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你试图理解汽车发动机是如何工作的。几十年来，科学家们通过拆解发动机并在安静、恒温的车库中测试单个活塞来研究它们。他们确切地知道每个活塞在被特定工具推动时如何运动。但他们从未真正驾驶汽车在颠簸的道路上行驶，或在雨中行驶，或载着重物行驶。
本文认为，认知科学（研究我们心智如何运作的学科）一直被困在那间安静的车库里。我们基于简单、人工的实验构建了理论，而这些实验并不像现实生活。作者 Wilka Carvalho 和 Andrew Lampinen 提出了一种新方法，称为“自然主义计算认知科学”。
以下是核心思想的分解，辅以简单的类比：
1. 问题：“车库”与“丛林”
目前，许多认知实验就像在车库里测试汽车发动机。
- 旧方法：研究人员给受试者一个非常简单的任务，例如看到红点时按下按钮。这很容易控制，但这并非我们实际生活的方式。
- 现实：现实生活是一片“丛林”。它混乱、不可预测，且充满干扰。
- 发现：本文表明，当我们从“车库”转向“丛林”时，大脑的行为会截然不同。
- 示例：当老鼠被允许自由探索（如同在野外）时，它们学习迷宫的速度比在实验室中被强迫进行枯燥、重复测试时快 1000 倍。
- 示例：当人们只是阅读关于两难困境的故事时，与身处虚拟现实模拟中必须亲手将某人推下桥时，他们会做出不同的道德选择。
教训：如果你只在车库里研究发动机，你永远无法理解它如何应对坑洼。要理解心智，我们就必须在野外研究它。
2. 解决方案：从“真实”数据中学习
作者建议我们从人工智能（AI） 那里借鉴一个技巧。
- AI 革命：早期的 AI 模型是在微小、简单的数据集上训练的。当它们面对现实世界的照片时，往往会失败。但最近，在数十亿张真实世界图像和文本（自然主义数据）上训练的 AI 模型开始展现出惊人的能力。它们学会了识别物体、解决数学问题，甚至理解语境，并非因为它们被编程如此，而是因为它们见识了如此多样的内容。
- 认知科学的转变：我们也应该这样做。与其在简单、虚构的任务上训练我们的模型，不如在现实生活混乱、复杂的数据上训练它们。
- 惊喜：当 AI 从自然数据中学习时，它会发展出未被明确教授的“超能力”。它学会泛化（将所学知识应用到新情境）的能力要强得多。作者认为，人类大脑很可能也是以同样的方式运作：我们的智能是由我们每天经历的丰富、混乱的数据塑造的，而不仅仅是在课堂上学到的简单规则。
3. 新工具包：“活”基准
我们如何在测试这些新的、复杂的想法时不丧失科学严谨性？
- 旧方法：研究人员创建一个特定的测试，运行它，然后发表结果。这就像一张单一的快照。
- 新方法：作者提出了“动态元基准”。想象一个巨大的、不断生长的测试图书馆。
- 研究人员向这个图书馆添加新的、更难的、更逼真的挑战。
- 他们针对整个图书馆而非仅仅一个测试来检验他们的理论。
- 如果一个理论在简单测试上有效，但在“丛林”测试中失败，那么该理论就是不完整的。
- 这鼓励科学家构建足以应对人类行为全谱系的稳健模型。
4. 目标：理论的两个部分
本文并非仅仅说“让我们把事情复杂化”。它提供了一条清晰的认知路径：
- “执行者”（预测模型）：首先，构建一个计算机模型，使其能够在现实世界中真正执行任务（例如导航复杂的城市或理解混乱的对话）。只要该模型能准确预测人类行为，它是否是“黑箱”并不重要。
- “解释者”（还原理论）：一旦模型运行有效，我们就深入其内部，理解它为何有效。我们将它分解为更简单的原则。
- 类比：想象一位能做出完美菜肴的大厨（“执行者”）。要理解烹饪科学，我们不仅仅是观看他们操作；我们要分析他们的食材和技巧，从而写出一本食谱（“解释者”）。
总结
本文是一声行动号召。它说：“停止在无菌实验室中测试心智。开始在野外测试它。”
通过使用现代 AI 的工具，并设计更贴近现实生活的实验，我们可以构建出真正解释人类在风险真实、环境混乱时如何思考、学习和行为的理论。这关乎从在车库里研究发动机，转变为驾驶汽车穿越丛林。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。