大脑基于概率计算来处理视觉、声音和其他感官信息——甚至做出决策。至少，许多主要的心理处理理论告诉我们是这样的：身体的主控制器从过去的经验中构建一个内部模型，然后预测最佳行为方式。尽管研究表明，即使在相同的环境中执行相同的任务，人类和其他动物也会做出不同的行为选择，但这些假设通常将这种波动归因于“噪音”——系统中的错误。
但并非所有人都同意这提供了完整的图景。毕竟，有时随机性确实能带来好处。如果猎物的行为不易被预测，那么它逃脱捕食者的机会就更高，而引入更大的决策变异性可以实现这一点。或者在不太稳定的条件下，当先前的经验不再能为如何行动提供准确的衡量标准时，这种复杂的行为可以让动物探索更多不同的选择，从而提高找到最佳解决方案的几率。2014 年的一项研究发现，当大鼠意识到非随机行为不足以智胜计算机算法时，它们会求助于随机行为。也许，那么，这种差异不能简单地归咎于单纯的噪音。相反，它在大脑功能中起着至关重要的作用。
现在，在 4 月 12 日发表于《PLoS 计算生物学》上的一项研究中，巴黎自然与数字科学算法自然组 LABORES 科学研究实验室的一组研究人员希望阐明这种复杂性如何在人类身上展开。“当大鼠[在 2014 年]试图表现出随机性时，”该研究的作者之一，计算机科学家 Hector Zenil 说，“研究人员看到它们正在计算如何表现出随机性。这种计算正是我们想在研究中捕捉到的。” Zenil 的团队发现，平均而言，人们表现出随机行为的能力在 25 岁时达到顶峰，然后缓慢下降至 60 岁，之后开始加速下降。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关当今塑造我们世界的发现和想法的具有影响力的故事的未来。
为了测试这一点，研究人员让 3,400 多名年龄在 4 岁到 91 岁之间的参与者完成了一系列任务——Zenil 说，这是一种“反向图灵测试”，用于确定人类在生成和识别随机模式方面比计算机强多少。受试者必须创建他们认为对另一个人来说看起来是随机的抛硬币和掷骰子序列，猜测将从随机洗牌的牌组中抽出哪张牌，指向屏幕上的圆圈并在网格中着色以形成看似随机的设计。
然后，该团队分析了这些反应，通过确定计算机算法生成相同决策的概率来量化其随机性水平，并将算法复杂度衡量为可以模拟参与者选择的最短可能计算机程序的长度。换句话说，一个人的行为越随机，就越难用数学方法描述他或她的反应，算法也就会越长。如果一个序列是真正随机的，那么这样的程序根本不可能压缩数据——它将与原始序列的长度相同。
在控制了语言、性别和教育等因素后，研究人员得出结论，年龄是唯一影响某人行为随机性的特征。“在 25 岁时，人们在生成这种随机性方面可以胜过计算机，”Zenil 说。他补充说，这种发展轨迹反映了科学家们期望的更高认知能力指标的样子。事实上，复杂性和随机性的感觉是基于包括注意力、抑制和工作记忆（研究的五项任务都涉及到了这些）在内的认知功能——尽管这种关系背后的确切机制仍然未知。“因此，25 岁左右是头脑最敏锐的时候。” Zenil 认为这在生物学上是合理的：自然选择会偏爱在关键生育年龄期间拥有更强的产生随机性的能力。
这项研究的结果甚至可能对理解人类创造力产生影响。毕竟，创造力的很大一部分是开发新方法和测试不同结果的能力。“这意味着访问更广泛的多样性存储库，”Zenil 说，“这本质上就是随机性。因此，在 25 岁时，人们拥有更多资源来发挥创造力。”
Zenil 的发现支持了之前的研究，这些研究也表明随机行为会随着年龄的增长而下降。但这是第一项采用算法方法来衡量复杂性的研究，也是第一项在连续年龄范围内进行的研究。“早期的研究考虑了年轻人和老年人群体，捕捉了特定统计方面，例如非常长的响应序列中的重复率，”瑞典梅拉达伦大学的计算机科学家 Gordana Dodig-Crnkovic 说，她没有参与这项研究。“本文更进一步。” Zenil 团队使用随机性的算法度量而不是统计度量，能够检查真正的随机行为而不是统计或伪随机行为——尽管伪随机行为满足随机性的统计测试，但它不一定是真正随机数据那样的“不可压缩的”。算法能力随年龄而变化这一事实意味着大脑本质上是算法性的——它不假设世界是统计随机的，而是采用更通用的方法，没有传统大脑统计模型中描述的偏差。
这些结果可能会为大脑如何运作开辟更广阔的视角：作为一种算法概率估计器。该理论将更新并消除决策统计模型中的一些偏差，这些偏差是流行理论的核心——其中最突出的是贝叶斯大脑假说，该假说认为，大脑为猜想分配一个概率，并在从感官接收到新信息时对其进行修正。“大脑是高度算法化的，”Zenil 说。“它的行为不是随机的，也不是一种抛硬币的机制。”他补充说，忽略算法方法而只采用统计方法会让我们对大脑的理解不完整。例如，统计方法无法解释为什么我们可以记住诸如电话号码之类的数字序列——例如“246-810-1214”，其数字只是偶数计数数字：这不是统计属性，而是算法属性。我们可以识别模式并用它来记住号码。
此外，算法概率使我们能够更轻松地找到（和压缩）看似随机的信息中的模式。“这是一个范式转变，”Zenil 说，“因为即使大多数研究人员都同意思维方式中存在这种算法成分，但我们一直无法衡量它，因为我们没有合适的工具，而我们现在已经开发并在我们的研究中引入了这些工具。”
Zenil 和他的团队计划继续探索人类算法复杂性，并希望阐明行为随机性与年龄之间关系的认知机制。然而，首先，他们计划对已被诊断出患有神经退行性疾病和精神障碍（包括阿尔茨海默病和精神分裂症）的人进行实验。Zenil 预测，例如，被诊断患有精神分裂症的参与者将无法像对照组的参与者那样好地生成或感知随机性，因为他们通常比普通人做出更多的关联并观察到更多的模式。
研究人员的同事们正在待命。Dodig-Crnkovic 说，他们关于复杂性的工作“提出了一种非常有前景的方法”。