How Occam's razor guides human decision-making

在日常生活的混乱现实中，我们不断被迫在相互竞争的故事之间做出选择，以解释我们所看到的一切。当汽车无法启动时，我们可能会归咎于电池没电、发电机故障，或是引擎里住着一个幽灵。我们的大脑必须在信息极少的情况下，从这些可能性中进行筛选，以决定哪种解释最可能是真实的。几个世纪以来，哲学家和科学家们一直提出了一条指导这一过程的规则，即著名的“奥卡姆剃刀”（Occam's razor）。该原则指出，当两种解释对事实的解释程度相等时，较简单的那个通常是更好的选择。这是一种心理捷径，它倾向于选择那些拥有更少组成部分、更少假设以及更少误差空间的“故事”。虽然这个想法长期以来深受思想家们的青睐，但人类大脑究竟是在以理论预测的那种精确、数学化的方式运作，还是仅仅对那些感觉不那么复杂的事物有一种模糊的偏好，这一点一直尚不明确。

一支研究团队现在通过一系列精心设计的实验，将这个问题从哲学领域带入了实验室，旨在精确测量人类如何在简洁性与准确性之间进行权衡。他们发现，人类的决策确实遵循一种特定且可量化的奥卡姆剃刀形式。当面对充满噪声、具有不确定性的数据时，人们自然会偏好更简单的解释，这不仅是因为感觉如此，更是因为他们的大脑似乎正在进行一种复杂的统计计算，即通过对所有可能的故事版本进行平均，以避免被随机性所误导。这种对简洁性的偏好根深蒂固，甚至当人们被明确告知要忽略它并只关注单一的最佳拟合点时，这种偏好依然存在。形成鲜明对比的是，被训练用来解决同样问题的计算机程序只有在被专门编程后才会采用这种简洁性偏差，这表明人类偏好简单解释的倾向是我们认知的基本特征，而非仅仅是一种习得的策略。

研究人员通过设计一个视觉游戏来测试这一点，参与者在游戏中扮演侦探的角色。在电脑屏幕上，出现了一团由十个红点组成的云，这些点围绕中心点随机散布。这些点是由两个隐藏形状之一生成的——要么是一条直线，要么是一个弯曲的弧线——这两个形状构成了数据的“源头”。参与者的任务是猜测哪个形状产生了这些点。形状被绘制成黑色，而点是红色的，从而创造了一个清晰的视觉谜题。为了使这项任务具备科学严谨性，研究人员设计了四个不同版本的游戏。在每个版本中，他们都让两个形状进行对抗，其方式隔离出了特定的数学复杂度特征。其中一个版本是将单个点与一条长线进行比较，测试人们如何处理变量的数量；另一个版本是将两条长度不同的线进行比较，测试形状可能覆盖的区域大小；第三个版本观察了形状相对于数据的相对位置；第四个版本则考察了形状偏离数据的弯曲程度。

在这些实验中，研究人员可以为每一次试验计算出数学上的完美答案。一个完美的观察者，遵循严格的贝叶斯统计规则，不仅会寻找最接近这些点的形状，而是会考虑该形状可能采取的所有可能位置，并将它们平均化。这个过程自然地惩罚了那些过于灵活或过于庞大的形状，因为它们会将它们的“解释能力”过度分散在屏幕上，从而降低了它们成为特定点簇真实源头的可能性。研究人员预测，如果人类使用的是这种统计推理，那么他们的选择将会从复杂的形状转向简单的形状，即使复杂的形状在技术上更接近这些点。

结果证实，人类确实是这样做的。当数据具有歧义性（即点到两个形状的距离大致相等）时，参与者一致选择了更简单的选项。但这项研究不仅展示了一种普遍的偏好，还以极高的精度测量了这种偏好的强度。通过分析来自200多名参与者的数千次选择，团队发现人们对四个不同的几何特征非常敏感：它们的维度（有多少个参数）、它们的边界（在哪里结束）、它们的体积（覆盖了多少空间）以及它们的鲁棒性（如何弯曲）。参与者的选择在定量上与数学模型的预测相吻合。他们不仅仅是模糊地偏好“简单”的事物；他们是以一种接近理论理想值的方式，对这些特定的几何因素进行加权，即通过对所有可能的成因进行积分。

为了理解这是习得的行为还是某种更基本的东西，研究人员将人类参与者与人工神经网络进行了对比，这是一种旨在模拟大脑的计算机程序。他们训练这些网络来解决相同的点与形状谜题。当这些网络被训练去寻找数学上完美的“生成式”解（这需要使用简洁性偏差）时，它们学会了这样做，并且表现得比人类更好。然而，当研究人员改变指令，要求网络寻找“最大似然”解（即它们应该仅仅选择最接近点的形状，忽略复杂度）时，网络立即做出了调整。它们不再表现出任何对简洁性的偏好，并在新任务上表现完美。

然而，人类参与者并没有如此轻易地改变。即使在被给予同样的指令要求忽略复杂度并直接选择最近的形状时，他们仍然继续偏向于更简单的选项。他们的大脑似乎无法关闭这种对所有可能性进行积分的机制。这表明，人类对简洁性的偏好并不是我们在被告知要变得聪明时才采用的一种灵活策略，而是我们处理信息的一个核心部分。我们似乎天生就会对故事可能成立的多种方式进行平均，这保护了我们免于对噪声产生过拟合，而机器只有在被明确赋予这种能力时才会这样做。

研究还揭示了，虽然人类表现得非常出色，但并非完美。在如何应用这些简洁性规则方面，存在广泛的个体差异。有些参与者非常接近数学理想值，而另一些人则对某些特征（如形状的大小或其曲率）不够敏感。有趣的是，那些偏离理想值较远的人往往会犯更多错误，这表明调节这种内在的“简洁性过滤器”对于在充满噪声的世界中做出准确决策至关重要。研究人员注意到，人们对不同特征的权重分配似乎有所不同，这可能是因为某些特征比其他特征更容易计算。例如，计算一个形状的变量数量可能比计算它所覆盖的总空间体积对大脑来说更简单，这导致我们在应用该规则时会出现自然的失衡。

最终，这项工作为人类思维的隐藏机制提供了一个罕见的、定量的视角。它表明，我们的大脑不仅仅是寻找最接近拟合点的模式匹配机器。相反，它们更像是精密的统计学家，不断地追问：“这种情况还有多少种其他的发生方式？”并利用答案来引导我们的选择。通过对所有可能的解释进行积分，我们避免了仅仅因为一个复杂的、灵活的故事恰好符合当前数据就相信它的陷阱。这项研究证实，奥卡姆剃刀不仅是关于我们应该如何思考的哲学建议，它也是我们实际思考方式的描述——它是人类认知中内置的一个特征，帮助我们在充满不确定性和噪声的世界中航行。