不久前，美國學者喬舒亞·彼得森等人發表於《科學》的文章，系統地比較了“大模型”與“小模型”（如前景理論）對風險決策行為的預測能力。結果發現，深度神經網絡的預測能力比前景理論高出幾個能級。研究者首先針對10000多個不同的選擇問題（涉及概率貨幣回報的賭博，超過了先前數據集的大小）和人類最終在這些問題中作出的決定，來訓練深度神經網絡，發現這種網絡能夠以非常高的準確率模擬人類決策，大大優於現有的（人為）風險選擇模型。
“在我與南丹麥大學教授Pantelis Analytis和賓夕法尼亞大學教授Sudeep Bhatia共同完成的另一項研究中，通過群體智慧算法整合不同的認知與情感因素，我們發現這樣的集成模型能顯著地提高對決策行為的預測能力。”何黎勝說，“這裡的集成模型也是一種‘大模型’，它的預測精度也超過了前景理論。”
前景理論提出至今，給後續研究帶來極大的啟發，成為決策科學中的經典研究。當前，研究人員在此基礎上，利用人工智能和大數據算法，一方面不斷完善前景理論，另一方面通過新的技術方法不斷拓展決策理論的邊界，提高預測精度。
實現決策智能化
“經過學習和訓練，深度神經網絡能夠模仿人類的行為，它甚至可以像人類在做選擇時會有不理性的行為那樣，表現出非理性。”Sudeep Bhatia告訴《中國科學報》，“因此，用它來預測人類決策行為會大大提高預測精度。”
“人工智能、認知神經科學的發展，將為心理學、決策科學的發展提供有力的研究手段。”何黎勝說，“得益於學術界和工業界的大模型投入，近年來人工智能和認知神經科學發展迅速，湧現出大量的開創性研究，也為其他學科提供了成熟的研究工具。”
何黎勝認為，在決策研究中，研究人員會研究不同類型的決策，像風險決策、跨期決策、社會決策、博弈決策等。目前，對這些不同決策類型的研究和建模工作通常相互獨立。然而，從認知的角度，不同的決策類型必然有互聞共通的認知與情感機制。“而不同決策類型之間互聞共通的建模研究還非常稀缺，未來完全有可能通過與人工智能、認知神經科學融合，實現不同決策類型的互聞建模。”
|
