Helmholtz Munich 推出認知模型 Centaur：精準預測人類決策與反應時間

過去幾十年，心理學家一直面對一個尷尬的難題：能解釋人類為什麼這麼想的理論模型，往往預測不準現實中的行為；而預測準確的機器學習工具，又解釋不清背後的心理學機制。

慕尼黑亥姆霍茲中心（Helmholtz Munich）的研究人員試圖打破這個僵局。他們開發了一個名為 Centaur 的基礎認知模型，能夠以極高的精度模擬人類在各種情境下的決策，甚至連人在做決定時猶豫了多久、反應時間是多少，它都能推算出來。

這項成果於 7 月 2 日發表在《自然》（Nature）期刊上。

餵給 AI 超千萬條真實人類決策

Centaur 之所以能懂人類的心思，核心在於訓練資料。

由 Marcel Binz 和 Eric Schulz 領導的研究團隊專門搭建了一個名為 Psych-101 的資料集。他們收集整理了來自 160 項不同行為實驗的資料，涵蓋了 6 萬多名真實人類參與者做出的超過 1000 萬次獨立決策。

這些實驗包羅永珍，從冒險行為、獎勵學習到複雜的道德困境。研究團隊手動清洗並標準化了所有實驗資料，使其能夠以自然語言的形式被大語言模型讀懂。

最厲害的地方在於泛化能力。Centaur 不僅在熟悉的實驗場景下表現出色，就算給它一個從未見過的全新陌生環境，只要用自然語言描述出來，它就能準確推測出人類大概會怎麼選。

研究團隊把它形容為一個「虛擬實驗室」。科學家不再需要每次都招募成百上千名受試者，只需用自然語言描述情境，Centaur 就能模擬出群體決策。

探究抑鬱與焦慮症患者的思維差異

研究團隊並不僅想停留在做個預測工具，他們下一步計劃看清 Centaur 內部的計算模式。

他們希望通過分析模型內部的啟用狀態，來理解人類大腦處理資訊的方式，尤其是對比健康人群與憂鬱症、焦慮症等心理障礙患者在決策策略上的根本差異。

未來，團隊還計劃在資料集中擴充人口統計學和更豐富的心理特徵資料，推動臨床心理學和精神醫學研究。

Binz 強調，這項研究之所以誕生在公共學術機構而非大型商業科技公司，是因為公共科研環境允許他們專注於人類認知這一基礎科學問題。為了保障資料主權和研究透明度，他們傾向於採用開源和本地執行的方式推進這類系統。

為什麼重要

我們認為，Centaur 最聰明的地方在於把認知心理學真正帶入了基礎模型時代。

以往做行為學或心理學研究，設計實驗、招募數千名受試者、清洗資料，不僅週期長，而且跨實驗的理論往往很難互相通用。Centaur 用統一的自然語言把 160 個實驗打通，證明了人類的各種非理性、偏見和直覺，也可以像語言一樣被基礎模型所擬合。對於科研人員、產品設計師乃至政策制定者來說，這相當於提供了一個低成本預演人類反應的數字沙盒。

但這裡面的隱患同樣不容忽視。既然 Centaur 能極其精準地預測人類的決策漏洞和反應時間，如果這套技術被濫用於商業推薦、成癮機制設計，甚至是政治選民的情緒操縱，它的殺傷力會遠高於現有的推薦演算法。研究團隊強調開源與責任倫理是好事，但如何防止精準的人類心理模擬器變成「收割機」，看起來會是全行業馬上要面對的挑戰。