很多時(shí)候，我們以為自己是在思考之后才學(xué)會(huì)某種行為。但從神經(jīng)科學(xué)的角度看，學(xué)習(xí)往往發(fā)生得更早，也更隱秘。

當(dāng)一個(gè)選擇帶來(lái)好結(jié)果，它更可能再次出現(xiàn)；當(dāng)一個(gè)行為導(dǎo)致不利后果，它逐漸被抑制。

這種從反饋中調(diào)整行為的過(guò)程，被稱為強(qiáng)化學(xué)習(xí)（reinforcement learning）。它并不是某種高階推理，而是連接經(jīng)驗(yàn)、行動(dòng)與未來(lái)選擇的基本機(jī)制。

在神經(jīng)科學(xué)中，強(qiáng)化學(xué)習(xí)并不是從計(jì)算機(jī)科學(xué)“照搬”來(lái)的概念。相反，它最早來(lái)自對(duì)動(dòng)物行為的觀察：獎(jiǎng)勵(lì)不僅帶來(lái)愉悅感，更重要的是，它會(huì)改變行為的概率。正是這一點(diǎn)，讓獎(jiǎng)勵(lì)成為塑造決策的關(guān)鍵力量。

從“被獎(jiǎng)勵(lì)”到“做選擇”

早期心理學(xué)家很早就注意到，如果一個(gè)行為產(chǎn)生令人滿意的結(jié)果，它會(huì)在未來(lái)更頻繁地出現(xiàn)。久而久之，人們甚至提出一種激進(jìn)的觀點(diǎn)：所有行為，都是為了獲得獎(jiǎng)勵(lì)或避免懲罰。

這一思想在行為主義時(shí)代被推到極致。通過(guò)精心控制獎(jiǎng)勵(lì)出現(xiàn)的方式——比如間隔多久、需要付出多少努力——研究者發(fā)現(xiàn)，行為可以被系統(tǒng)性地塑造。動(dòng)物并不需要理解規(guī)則本身，只要反饋?zhàn)銐蚍€(wěn)定，行為模式就會(huì)逐漸成形。

真正讓“學(xué)習(xí)”與“決策”交匯的，是當(dāng)環(huán)境中出現(xiàn)了多個(gè)可選項(xiàng)。當(dāng)個(gè)體不再只是重復(fù)一個(gè)動(dòng)作，而是在不同選項(xiàng)之間分配時(shí)間和精力，選擇本身就成為研究對(duì)象。

在這些多選項(xiàng)任務(wù)中，一個(gè)令人著迷的現(xiàn)象反復(fù)出現(xiàn)：個(gè)體往往不會(huì)把所有行為都?jí)旱交貓?bào)最高的選項(xiàng)上。相反，它們會(huì)在不同選項(xiàng)之間分配選擇次數(shù)，而且分配比例往往接近各選項(xiàng)獲得獎(jiǎng)勵(lì)的比例。這種現(xiàn)象被稱為匹配行為。它描述了行為如何隨回報(bào)分布而變化，卻并不解釋行為為何如此。

更耐人尋味的是，在大多數(shù)實(shí)驗(yàn)中，個(gè)體表現(xiàn)出的并不是“完美匹配”，而是一種偏離——它們對(duì)高回報(bào)選項(xiàng)的選擇不夠極端，對(duì)低回報(bào)選項(xiàng)的嘗試反而更多。這種現(xiàn)象被稱為欠匹配。

從結(jié)果上看，這似乎并不完全“理性”。如果目標(biāo)是最大化回報(bào)，為什么不更堅(jiān)決地選擇更好的選項(xiàng)？

大腦在做全局計(jì)算嗎？

一個(gè)重要的轉(zhuǎn)折在于，人們開(kāi)始意識(shí)到：也許問(wèn)題不在“結(jié)果是否最優(yōu)”，而在大腦如何在時(shí)間中做決定。

在現(xiàn)實(shí)世界中，回報(bào)是隨機(jī)的、嘈雜的，真正的回報(bào)率需要很長(zhǎng)時(shí)間才能估計(jì)清楚。如果要判斷“長(zhǎng)期來(lái)看這樣做是否更好”，大腦必須保留大量歷史信息，并進(jìn)行復(fù)雜計(jì)算。這在生物系統(tǒng)中并不容易實(shí)現(xiàn)。

相反，如果大腦采用的是一種局部規(guī)則——在當(dāng)下偏向最近回報(bào)更高的選項(xiàng)——那么欠匹配反而是自然結(jié)果。每一次選擇，都是基于近期經(jīng)驗(yàn)的權(quán)衡，而不是對(duì)整體結(jié)構(gòu)的精確把握。

從這種局部選擇規(guī)則出發(fā)，長(zhǎng)期統(tǒng)計(jì)上的匹配行為會(huì)自然涌現(xiàn)，而無(wú)需大腦明確追求“最優(yōu)解”。

當(dāng)研究者把目光投向大腦時(shí)，這一假設(shè)開(kāi)始獲得支持。在靈長(zhǎng)類動(dòng)物的實(shí)驗(yàn)中，神經(jīng)元的活動(dòng)不僅與選擇本身有關(guān)，還會(huì)隨選項(xiàng)的回報(bào)歷史發(fā)生系統(tǒng)性變化。

某些神經(jīng)區(qū)域中的神經(jīng)元，其放電強(qiáng)度會(huì)反映某個(gè)選項(xiàng)在近期“有多值得選”。這種信號(hào)并不是一次性計(jì)算出的，而是通過(guò)對(duì)獎(jiǎng)勵(lì)歷史的持續(xù)整合逐步形成。

重要的是，這種整合并不是無(wú)限的。較新的結(jié)果影響更大，較久遠(yuǎn)的結(jié)果逐漸衰減。這意味著，大腦對(duì)世界的估計(jì)始終是動(dòng)態(tài)的、帶有遺忘的。

學(xué)習(xí)信號(hào)來(lái)自哪里？

要讓估計(jì)發(fā)生改變，大腦需要一個(gè)關(guān)鍵信號(hào)：當(dāng)結(jié)果與預(yù)期不一致時(shí)，系統(tǒng)必須“知道自己錯(cuò)了”。

這正是預(yù)測(cè)誤差的核心思想。預(yù)測(cè)誤差并不只是“得到了多少獎(jiǎng)勵(lì)”，而是“實(shí)際結(jié)果與預(yù)期之間的差異”。如果結(jié)果比預(yù)期好，估計(jì)上調(diào)；如果更差，估計(jì)下調(diào)。

在大腦中，某些神經(jīng)系統(tǒng)的活動(dòng)模式，與這種誤差信號(hào)高度一致。它們?cè)诮Y(jié)果超出預(yù)期時(shí)短暫增強(qiáng)，在結(jié)果落空時(shí)被抑制。這種信號(hào)并不是為了制造快感，而是為了驅(qū)動(dòng)學(xué)習(xí)，讓連接發(fā)生改變。

隨著時(shí)間維度被引入，預(yù)測(cè)誤差也不再局限于結(jié)果出現(xiàn)的那一刻，而是逐漸提前，轉(zhuǎn)移到那些預(yù)示未來(lái)結(jié)果的線索上。這一現(xiàn)象，為更連續(xù)的學(xué)習(xí)模型提供了基礎(chǔ)。

正是在這樣的背景下，研究者開(kāi)始借助計(jì)算機(jī)科學(xué)中的強(qiáng)化學(xué)習(xí)框架，對(duì)這些過(guò)程進(jìn)行形式化描述。在這一框架中，個(gè)體被視為一個(gè)與環(huán)境互動(dòng)的“代理”，通過(guò)行動(dòng)獲得反饋，并試圖在時(shí)間中最大化回報(bào)。

這些模型提供了一種清晰的語(yǔ)言，用來(lái)描述學(xué)習(xí)、選擇和更新的關(guān)系。但它們并不等同于大腦的真實(shí)實(shí)現(xiàn)方式。某些算法在數(shù)學(xué)上優(yōu)雅，卻可能難以在嘈雜、有限的神經(jīng)系統(tǒng)中實(shí)現(xiàn)。

事實(shí)上，動(dòng)物的行為往往偏離這些“理想模型”。它們會(huì)更新未被選擇的選項(xiàng)，會(huì)表現(xiàn)出選擇慣性，會(huì)在探索與利用之間搖擺。這些特征并非噪聲，而是生物系統(tǒng)在現(xiàn)實(shí)約束下的產(chǎn)物。

從神經(jīng)科學(xué)的角度看，強(qiáng)化學(xué)習(xí)更像是一種視角，幫助我們理解：經(jīng)驗(yàn)如何塑造行為，反饋如何改變選擇，以及學(xué)習(xí)如何嵌入決策本身。

它提醒我們，所謂“理性”，并不意味著完美計(jì)算；所謂“學(xué)習(xí)”，也不意味著穩(wěn)定收斂。在真實(shí)的大腦中，學(xué)習(xí)總是在有限信息、不確定環(huán)境和生物約束下展開(kāi)。而正是在這種不完美中，行為才顯得如此真實(shí)。

在「神經(jīng)現(xiàn)實(shí) x Noetex Academy」新一期的決策神經(jīng)科學(xué)課程中，你將進(jìn)一步了解神經(jīng)科學(xué)如何研究強(qiáng)化學(xué)習(xí)。在達(dá)特茅斯學(xué)院神經(jīng)科學(xué)教授Alireza Soltani帶領(lǐng)下，你將進(jìn)入生物、認(rèn)知和計(jì)算三個(gè)層級(jí)，探尋決策機(jī)制的神經(jīng)基礎(chǔ)，以及它如何啟發(fā)經(jīng)濟(jì)學(xué)、認(rèn)知科學(xué)和人工智能等領(lǐng)域的發(fā)展。