“儘管新理論模型產生的速度正在加快，但在過去20年中，這些數據集的預測精度幾乎沒有提高。”何黎勝告訴《中國科學報》，“其根本原因是我們的認知系統具有高度複雜性。”
何黎勝解釋說，風險決策看似簡單。如果問大學生或高中生如何做風險決策，他們中的大多數人可能會說“我們先算出每個選項的期望價值，然後選擇期望價值最高的選項”。
但風險決策比這複雜得多，受到多種認知和情感因素影響。以往研究者通過考慮這些影響因素，對風險決策行為提出了多種理論解釋模型。
“近20年來，這種‘小數據集＋小模型’的研究範式遇到了瓶頸，主要表現為我們對決策行為的解釋越來越多，但對決策行為的預測能力並沒有顯著提升。”何黎勝說，“這很大程度上取決於常用的‘小數據集’和‘小模型’（與深度神經網絡相比，常規的決策模型都是小模型）研究範式。小數據集不足以支撐像深度神經網絡這樣的‘大模型’，而‘小模型’又不足以支撐決策過程中複雜的認知與情感因素。”
“大模型”顯身手
“人工智能技術雖然發展迅速，但計算機不會有人類意義上的感情，短期內也不可能產生人類特征的情緒。”天津大學自動化學院副教授楊正瓴對《中國科學報》說，“這也許會成為人工智能的優勢，讓它在某些領域比人類做得更好。比如，利用‘大數據’的人工智能決策，的確可以幫助人類減少決策失誤。”
近年來，不同學科之間的交叉研究提供了新的突破口，特別是行為決策、認知科學和機器學習等領域的交叉。
“總體而言，在‘小模型’範圍內，前景理論的預測精度是上佳的，是迄今為止預測精度最好的風險決策模型之一。”何黎勝說，“如果我們把視野放到更廣闊的‘大模型’（例如深度神經網絡等機器學習算法），前景理論等小模型的預測劣勢就顯現出來了。”
|
