当前，人工智能发展的核心悖论在于：神经网络虽以人脑为灵感来源，却在运行机制上与生物体存在本质差异。一个蹒跚学步的幼儿仅需日常饮食和语言互动就能自然习得沟通能力；而科技巨头却不得不动用核电站级的能源、制造环境代价，甚至引发数据伦理争议，才能维持其大语言模型的运转。 这种仿生与异质并存的特征，使人工智能与脑科学形成了奇妙的镜像关系。虽然二者在能耗和数据需求上存在数量级的差异，但作为地球上仅有的两个能实现复杂语言生成的系统，它们确实共享着某些深层特性：都采用分布式并行处理架构（人脑依靠 860 亿生物神经元，AI 依赖参数化的虚拟节点）；都展现出涌现性的智能特征；也都让研究者陷入“知其然不知其所以然”的困境。 作为横跨神经科学与人工智能报道的从业者，笔者目睹了这一交叉领域的勃兴。神经科学家们普遍认为，构建类似大脑的神经网络是该领域最有前途的途径之一，这种观点也开始蔓延到心理学领域。 上周，在权威期刊Nature上发表的两篇背靠背研究中，展示了神经网络在心理实验中预测人类和其他动物行为的应用。这两项研究都表明，这些经过训练的模型可以帮助科学家加深对人类思维的理解。但预测行为和解释行为的产生是两码事。 原始的大型语言模型并不擅长模拟人类行为，例如在赌场等让人丧失理智的场景中，它们仍保持逻辑判断。在第一项研究中，研究人员对基于 Meta 的开源模型 Llama 3.1 进行微调优化，通过 160 个心理学实验的超过一千万个决策的专项训练，包含“选择最优老虎机获取最大收益”或“记忆字母序列”等任务，获得的名为“半人马”（Centaur）的模型能够以高保真度模拟人类的选择模式和反应时间。 与使用简单数学方程的传统心理学模型相比，“半人马”模型在行为预测方面表现更优。准确预测人类在心理学实验中的反应本身就极具价值：例如科学家可在招募付费受试者前，先用该模型在计算机上预演实验。但研究者在其论文中提出，“半人马”不应仅作为预测工具——通过解析其模拟人类行为的机制，或能催生对于心智运作的新理论。 不过部分心理学家质疑该模型对理解心智的贡献。虽然其行为预测确实优于传统模型，但参数规模却超出后者十亿倍。模型的外在表现像人类，绝不意味着内在机制亦如此。荷兰拉德堡德大学计算认知科学助理教授 Olivia Guest 将其比作计算器：虽能准确预测数学天才的加法答案，但研究计算器无助于理解人类算术机制。 即便“半人马”真能捕捉人类心理的某些关键特征，科学家仍难从其数百万“神经元”中提取洞见。尽管人工智能研究者正努力破解大语言模型的工作原理，这个黑箱仍未被真正打开。要理解这种巨型神经网络心智模型，其难度恐怕不亚于直接研究人脑本身。 这种困境在另一项研究中得到某种程度的平衡。第二项研究聚焦微型神经网络（最小仅含单个神经元），却能预测小鼠、大鼠、猴子乃至人类行为。因其结构极简，研究者可追踪每个神经元的激活状态，从而解析整个网络的预测机制。虽无法保证这些模型与模拟大脑的运作方式相同，但至少能为人类和动物认知研究提供可验证的假说。 可解释性需要代价。与能处理数十种任务的“半人马”不同，每个微型网络仅适用于单一任务，例如某个网络专精预测人类选择老虎机的行为。“行为越复杂，所需网络就越大，”纽约大学心理学与神经科学助理教授、该研究的领导者 Marcelo Mattar 指出（他同时参与了“半人马”项目），“代价就是模型变得极其难以理解。” 这种预测与理解的权衡正是神经网络科学的典型特征。Mattar 的研究正在缩小这一差距——尽管网络规模极小，其预测精度仍超越传统心理学模型。Anthropic 等机构对大模型可解释性的研究也是如此。但就目前而言，从人类心智到气候系统再到蛋白质结构，我们对复杂系统的理解能力已远远落后于预测能力。 站在技术哲学的高度来看，我们正在见证一场新的“认识论转向”：当传统还原论方法在复杂系统前节节败退时，神经网络既提供了新的研究工具，也带来了新的认知困境。或许正如量子力学颠覆经典物理的认知框架那样，理解智能本质的革命性突破，正孕育在这些预测与解释的张力之中。
