Новое исследование показывает, что небольшие нейронные сети могут выявлять недооценённые стратегии принятия решений, имитируя процесс обучения мозга и предлагая свежий взгляд на несовершенные решения, которые принимаем все мы. Фото: Stock

В новом исследовании используются компактные нейронные сети для выявления механизмов, лежащих в основе принятия решений человеком.

Ученые давно изучают, как люди и животные принимают решения, часто обращая внимание на то, как недавний опыт и метод проб и ошибок влияют на поведение. Однако традиционные модели могут упускать из виду ключевые аспекты принятия решений, в основном потому, что они предполагают, что люди всегда пытаются выбрать наиболее логичный или выгодный вариант, основываясь на прошлых результатах.

В новом исследовании учёные применили другой подход, используя искусственный интеллект для более реалистичного изучения процесса принятия решений. Они создали небольшие искусственные нейронные сети, чтобы выяснить, что на самом деле влияет на выбор человека и насколько эффективны его решения.

«Вместо того чтобы предполагать, как мозг должен обучаться, чтобы оптимизировать наши решения, мы разработали альтернативный подход, чтобы выяснить, как мозг на самом деле учится принимать решения, — объясняет Марсело Маттар, доцент кафедры психологии Нью-Йоркского университета и один из авторов статьи, опубликованной в журнале Nature. — Этот подход работает как детектив, раскрывая, как на самом деле принимают решения животные и люди. Используя крошечные нейронные сети — достаточно простые для понимания, но при этом достаточно мощные, чтобы фиксировать сложное поведение, — мы обнаружили стратегии принятия решений, которые учёные не замечали десятилетиями.

Маленькие нейросети, большие открытия

Авторы исследования отмечают, что небольшие нейронные сети — упрощённые версии нейронных сетей, которые обычно используются в коммерческих приложениях ИИ, — могут предсказывать выбор животных гораздо лучше, чем классические когнитивные модели, предполагающие оптимальное поведение, благодаря своей способности выявлять неоптимальные модели поведения. В лабораторных задачах эти прогнозы не уступают прогнозам более крупных нейронных сетей, таких как те, что используются в коммерческих приложениях ИИ.

«Преимущество использования очень маленьких сетей заключается в том, что они позволяют нам применять математические инструменты для простой интерпретации причин или механизмов, лежащих в основе выбора человека. Это было бы сложнее сделать, если бы мы использовали большие нейронные сети, такие как те, что применяются в большинстве ИИ-приложений», — добавляет автор исследования Джи-Ан Ли, докторант программы по нейронаукам Калифорнийского университета в Сан-Диего.

«Большие нейронные сети, используемые в искусственном интеллекте, очень хорошо справляются с прогнозированием, — говорит автор исследования Маркус Бенна, доцент кафедры нейробиологии в Школе биологических наук Калифорнийского университета в Сан-Диего. — Например, они могут предсказать, какой фильм вы захотите посмотреть следующим. Однако очень сложно кратко описать, какие стратегии используют эти сложные модели машинного обучения для составления прогнозов — например, почему они считают, что один фильм вам понравится больше, чем другой». Обучая простейшие версии этих ИИ-моделей прогнозированию поведения животных и анализируя их динамику с помощью методов физики, мы можем пролить свет на их внутреннюю работу, используя более понятные термины.

За пределами лаборатории: применение в реальном мире

Понимание того, как животные и люди учатся на собственном опыте и принимают решения, является не только первостепенной задачей для науки, но и, в более широком смысле, полезным навыком для бизнеса, государственного управления и технологий. Однако существующие модели этого процесса, поскольку они направлены на отображение оптимального процесса принятия решений, часто не отражают реальное поведение.

В целом модель, описанная в новом исследовании Nature, соответствует процессам принятия решений у людей, приматов и лабораторных крыс. Примечательно, что модель предсказывала неоптимальные решения, тем самым лучше отражая «реальную» природу принятия решений и контрастируя с предположениями традиционных моделей, которые направлены на объяснение оптимального принятия решений. Более того, модель учёных из Нью-Йоркского университета и Калифорнийского университета в Сан-Диего смогла предсказать принятие решений на индивидуальном уровне, показав, как каждый участник использует разные стратегии для принятия решений.

«Подобно тому, как изучение индивидуальных различий в физических характеристиках произвело революцию в медицине, понимание индивидуальных различий в стратегиях принятия решений может изменить наш подход к психическому здоровью и когнитивным функциям», — заключает Мэттар.

Ссылка: «Выявление когнитивных стратегий с помощью крошечных рекуррентных нейронных сетей» Ли Цзи-Ань, Маркуса К. Бенны и Марсело Г. Маттара, 2 июля 2025 г., Nature. DOI: 10.1038/s41586-025-09142-4