参考消息网2月11日报道 据阿根廷布宜诺斯艾利斯经济新闻网2月5日报道，美国普林斯顿大学神经科学研究所科研人员开展实验，以探究人类如何决定为学习付出的努力程度。

  该研究分析了受试者面对不同难度任务时的反应，结果显示，人类大脑在感知到切实掌握新事物的可能性时，会加大努力投入。

  在实验中，受试者先完成简单任务，再接受高难度挑战。在简单测试中取得成功的个体，更愿意在后续挑战中付出努力。

  与之相反，面对难度过高任务且未能取得进展的受试者，会丧失积极性，在后续测试中投入更少精力。

  普林斯顿大学发布的相关论文指出，这一行为表明，成功预期是决定努力投入程度的关键因素。如果个体相信自身努力可取得成果，学习动机便会提升。在此前任务中取得进展者，更愿意持续学习。

  该论文第一作者、普林斯顿大学研究员哈维尔·马西斯表示，人们倾向于在自认为能够实现学习的情境中投入更多脑力。研究指出，这一模式可能是人类高效利用脑力的自然适应机制。

  普林斯顿大学人工智能(AI)实验室自然与AI心智项目联合主任乔纳森·科恩强调，上述成果有助于优化AI模型设计。

  科恩解释称：“算法可完成复杂任务，却无法识别自身需要学习的内容。”

  研究结果表明，如果AI系统能像人类一样调整努力程度，其性能与适应性将得到提升。在算法中纳入努力变量，可让AI实现更高效学习。

  马西斯指出，学习预期会驱动脑力投入。将这一原理应用于AI领域，可打造出像人类一样、根据学习可能性调整投入程度的模型。

  为验证这一构想，研究人员设计实验，让AI智能体在决定投入力度前，模拟完整训练过程。

  普林斯顿大学博士后研究员罗德里戈·卡拉斯科·戴维斯将这一方法比作学生规划学习：根据各科考试重要性分配时间与精力。

  卡拉斯科·戴维斯解释称，在该模型中，AI智能体不仅能优化每一步操作，还会在行动前评估完整学习路径。测试显示，在算法中加入努力概念，可提升效果、加快学习进程。

  马西斯指出，人类大脑在期待学到有用知识时，会投入更多脑力。将这一原理应用于AI，可让系统更具自主性与灵活性，“我们预测，将人类行为模式应用于机器，可让机器实现更优学习”。

  这一发现对神经科学与技术研发均具有重要价值。科恩强调，下一代AI模型可通过整合动机与自我调节努力机制而获益。

  理解人类如何分配脑力，或成为智能系统发展的关键。

  论文得出以下结论：受学习预期引导的脑力投入对人类与科技发展至关重要。专家认为，随着AI不断进步，有必要融入借鉴人类行为的策略。

  卡拉斯科·戴维斯强调：“机器学习领域所面临的挑战在于探明如何学会学习。”马西斯及其团队的研究为神经科学与技术领域的未来探索开辟了新路径。（编译/韩超）