雷鋒網(wǎng)按：本文作者巴特，來自知社學(xué)術(shù)圈。

在機器學(xué)習(xí)中，程序員所開發(fā)的AI能夠計算一個簡單行為的所有可能結(jié)果。然而人類自身并沒有這種生硬的計算能力，我們必須先進行精準(zhǔn)的思考，然后執(zhí)行計劃。谷歌DeepMind團隊和牛津大學(xué)學(xué)者刊登在《Neuron》上的一篇文章指出，人們會在思維上創(chuàng)建不同“層級”來指導(dǎo)我們的行為，然后考慮更高級別的事情，而不是思考具體步驟。

Jan Balaguer是牛津大學(xué)的博士，同時也是谷歌人工智能團隊DeepMind成員。他談道：“我們主要是想理解人類或動物是如何做出長期決策的。研究機器學(xué)習(xí)對于復(fù)雜任務(wù)和現(xiàn)實問題的解決方法是非常有趣的事，這往往要從神經(jīng)科學(xué)上來尋找靈感?！盉alaguer和他的同事就是通過一款導(dǎo)航游戲來破譯人腦制定決策的過程。

 

上圖為地鐵線路計劃的圖形表達，左邊為平面式，右邊為層級式。每個節(jié)點表示一個可能的狀態(tài) (通常為站點)，機器人代表起始站，旗子代表終點站。層級模式可以使這樣的迷宮圖轉(zhuǎn)化為關(guān)聯(lián)環(huán)境 (即紅線區(qū)與藍線區(qū))。這在某種程度上可以簡化對地鐵線路的識別和計劃。

在一個類似倫敦地鐵的虛擬軌道系統(tǒng)上，每個站點代表一個步驟，不同顏色的地鐵線代表不同的層級。22個實驗對象都被給予一個終點站作為目標(biāo)，不過每個人看到的線路顏色、站名都是經(jīng)過重置的，地圖的方向也進行了旋轉(zhuǎn)。在游戲過程中同時接受功能性磁共振成像掃描 (fMRI)。

圖上的這些語義描述代表了一次旅程中的一系列事件。黑色方塊上的上下兩個名字分別代表當(dāng)前站和終點站。響應(yīng)方向 (箭頭) 和線路顏色并不展示給試驗者。最下面的數(shù)字記錄了試驗者在每一個事件上所花費的時間 (以秒為單位)。

在不同模式下，所需花費的計算步驟也是不同的。圖中展示了四種思維：按照單個站點籌劃、按照不同地鐵線路籌劃、按照換乘站籌劃、按照180度轉(zhuǎn)彎U-turn籌劃。

試驗者在進行導(dǎo)航游戲時，研究人員重點觀察他們的注意力是更集中于地鐵線路還是個體站點上。結(jié)果發(fā)現(xiàn)，腦部活動和反應(yīng)時間主要隨著試驗者與終點站間的地鐵線路變化增加，而不是總站數(shù)。大腦中與這種決定相關(guān)的區(qū)域有兩部分，一個是具有高級認知功能的內(nèi)側(cè)前額葉皮層 (medial prefrontal cortex) 背部，一個是參與實際或者假想運動的前運動皮質(zhì) (premotor cortex)。

四種思維模式下腦部冠狀面 (上) 和矢狀面 (下) 狀態(tài)圖

Balaguer說：“我們比以往研究更加簡單直接地證明了人腦中的層級表現(xiàn)?！?/span>

另外，隨著試驗者越發(fā)接近終點，其腦中的腹正中前額皮質(zhì)和海馬體也變得更加活躍。在以前的研究中，只發(fā)現(xiàn)海馬體在試驗者接近既定目標(biāo)時，會有所表現(xiàn)。

Balaguer介紹：”通過研究人腦如何執(zhí)行具有層級結(jié)構(gòu)的事情，可以幫助我們設(shè)計更為高級和智能的算法。在機器學(xué)習(xí)中，擁有層級描述的算法對于決策來說可能有利有弊，就看你最開始的時候能不能做出正確選擇?！?/strong>

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。