這個AI精準模擬人類行為大腦狀態(tài)，上Nature了

鷺羽 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

首個能跨領(lǐng)域精準預測人類認知的基礎(chǔ)模型誕生！

不僅可以完全預判你的行為，還能知道你是如何思考、以及為什么思考。

這是一項最新登上Nature的突破性研究，來自德國的研究團隊只用了5天訓練時間就開發(fā)出人類認知的通用計算模型——Centaur。

Centaur現(xiàn)在就像一名專業(yè)的心理學家，只需傳統(tǒng)模型Llama的0.15%參數(shù)，就可以完美模擬人類在160項心理學實驗中的行為，理解人類如何學習、決策甚至犯錯。

不僅僅受限于單一領(lǐng)域，而是真正的多任務全能選手，性能全面超越傳統(tǒng)的特定領(lǐng)域認知模型。

更驚人的是，其神經(jīng)表征竟與真人fMRI（功能性磁共振成像）掃描結(jié)果高度吻合。

AI，正在成為最懂人類的“讀心者”。

Centaur：心理學與AI的跨界突破

在心理學領(lǐng)域，建立一個統(tǒng)一的認知理論，可以識別和描述所有人類認知、行為和情感，是所有心理學家孜孜不倦的追求。

認知的統(tǒng)一理論是唯一能將我們?nèi)找嬖鲩L的豐富知識，置于理智掌控之下的方法。

那么首先需要構(gòu)建一個能夠預測和模擬人類行為的通用計算模型，它不是AlphaGo這種專為某一個領(lǐng)域而生的模型，而是面向所有領(lǐng)域、各種情況。

于是，Centaur——首個人類認知基礎(chǔ)模型誕生了。

研究團隊首先為之構(gòu)建了史上最大規(guī)模的人類行為數(shù)據(jù)集Psych-101，涵蓋160項心理學實驗，涉及60092名參與者、超1000萬次選擇，以及2億多個文本tokens。

數(shù)據(jù)集包含多臂老虎機、決策制定、記憶、邏輯推理、馬爾可夫決策過程等多種任務。

此外研究人員還將全部實驗數(shù)據(jù)轉(zhuǎn)化為自然語言形式，為不同實驗范式提供統(tǒng)一表達格式。

而模型本身基于開源語言模型Llama 3.1 70B構(gòu)建，采用參數(shù)高效微調(diào)技術(shù)QLoRA（量化低秩適應）進行訓練。

具體而言是在凍結(jié)的4位量化基礎(chǔ)模型上，為所有非嵌入層添加秩為8的低秩適配器，最后新增參數(shù)僅占基礎(chǔ)模型的0.15%。

然后將模型置于Psych-101數(shù)據(jù)集上進行微調(diào)，使用標準的交叉熵損失函數(shù)，只專注聚焦在人類響應token上。

值得注意的是，整個訓練過程在A100 80GB GPU上，只耗時5天時間。

短短5天，一個通用的LLM模型就蛻變成了可以真正“讀懂”人類的認知模型，甚至全面超越傳統(tǒng)模型。

超越傳統(tǒng)認知模型

研究人員為了考驗Centaur的認知能力，設(shè)計了一系列實驗驗證。

首先是對人類行為的捕捉，判斷其能否精準地預測人類行為。

實驗將參與者分為90%的訓練組和10%的測試組，負對數(shù)似然值作為衡量模型對人類選擇擬合度的指標。

結(jié)果顯示，Centaur的負對數(shù)似然值為0.44，在擬合度上顯著優(yōu)于Llama的0.58。

在對未參與訓練者的行為預測表現(xiàn)也優(yōu)于14種經(jīng)典認知模型（如前景理論、強化學習模型），平均差異達0.13，且通過了顯著性檢驗。

將模型自身響應反饋給模型本身后，Centaur還表現(xiàn)出了多個與人類相似的行為特征，例如在兩步任務（Two-Step Task）中，它復現(xiàn)了與人類行為分布高度一致的軌跡。

此外還能區(qū)別人類與人工智能體的行為，預測人類行為準確率高達64%，而預測人工智能體的行為準確率只有35%。

基于描述選擇反應時間與選項數(shù)量關(guān)系的希克定律，研究人員分析模型對人類反應時間的預測能力。

結(jié)果表明，Centaur 的響應熵所能解釋的反應時間方差比例（條件 R2=0.87）高于 Llama（0.75）和領(lǐng)域特定模型（0.77），顯示出其在捕捉人類行為時間特征方面的優(yōu)勢。

其次，研究人員還重點探究了Centaur的泛化能力。

• 只修改故事背景，不改變?nèi)蝿諆?nèi)容

實驗將原來的“太空船尋寶”改為“魔毯探險”的新故事后，Centaur在新故事場景下人類行為的預測負對數(shù)似然值，依舊顯著優(yōu)于Llama和領(lǐng)域特定認知模型，說明Centaur不受任務表面描述變化影響。

• 修改任務結(jié)構(gòu)

在原來的兩臂老虎機實驗上，新增成三臂，選擇加一，但Centaur的負對數(shù)似然值（0.42）依舊遠低于 Llama（0.62）和領(lǐng)域特定模型（0.98），表明其能適應任務結(jié)構(gòu)的擴展與調(diào)整。

• 全新領(lǐng)域的任務

讓模型處理未包含在Psych-101數(shù)據(jù)集內(nèi)的邏輯推理任務，Centaur 的負對數(shù)似然值（1.65）顯著低于 Llama（1.92），體現(xiàn)出微調(diào)后對全新認知領(lǐng)域的預測能力依舊強力。

最后，研究人員還聚焦于Centaur與人類神經(jīng)活動的對齊性，分析驗證其內(nèi)部表征與人類大腦活動的聯(lián)系。

實驗讓94名參與者完成兩步任務，并記錄下他們的fMRI數(shù)據(jù)，通過分析，Centaur的各層表征對全腦區(qū)域神經(jīng)活動的皮爾遜相關(guān)系數(shù)均顯著高于基礎(chǔ)模型Llama，且優(yōu)于傳統(tǒng)認知模型和隨機初始化控制模型。

尤其在與獎勵相關(guān)腦區(qū)（如伏隔核）和運動皮層，Centaur的預測表現(xiàn)更為突出，說明其擁有優(yōu)秀的人類神經(jīng)活動預測能力。

另外在讓5名參與者閱讀1000個句子的語言理解任務中，Centaur中間層的表征預測效果最佳，包含最豐富信息，且在與語言處理相關(guān)的腦區(qū)表現(xiàn)最為穩(wěn)定。

實驗說明，雖然Centaur在訓練過程中沒有明確匹配神經(jīng)數(shù)據(jù)，但在微調(diào)后卻出乎意料的和人類神經(jīng)活動呈現(xiàn)出一致性。

據(jù)推測，也許是模型內(nèi)部表征捕捉到了人類認知加工的神經(jīng)基礎(chǔ)特征。

Centaur的出現(xiàn)證明了構(gòu)建計算模型實現(xiàn)跨領(lǐng)域捕捉人類行為是可行的。

未來它或許將作為 “計算望遠鏡”，幫助研究者從從海量行為數(shù)據(jù)中提煉關(guān)鍵信息，為統(tǒng)一認知理論的發(fā)展提供強有力的數(shù)據(jù)驅(qū)動路徑。

正如作者在論文結(jié)尾所言：

是時候?qū)⑦@種通用計算模型，轉(zhuǎn)化為統(tǒng)一的人類認知理論了。

參考鏈接：
[1]https://x.com/jowettbrendan/status/1942501763313197374
[2]https://doi.org/10.1038/s41586-025-09215-4