大腦基於機率計算來處理視覺、聲音和其他感官資訊——甚至做出決策。至少，許多主要的心理處理理論告訴我們是這樣的：身體的主控制器從過去的經驗中構建一個內部模型，然後預測最佳行為方式。儘管研究表明，即使在相同的環境中執行相同的任務，人類和其他動物也會做出不同的行為選擇，但這些假設通常將這種波動歸因於“噪音”——系統中的錯誤。
但並非所有人都同意這提供了完整的圖景。畢竟，有時隨機性確實能帶來好處。如果獵物的行為不易被預測，那麼它逃脫捕食者的機會就更高，而引入更大的決策變異性可以實現這一點。或者在不太穩定的條件下，當先前的經驗不再能為如何行動提供準確的衡量標準時，這種複雜的行為可以讓動物探索更多不同的選擇，從而提高找到最佳解決方案的機率。2014 年的一項研究發現，當大鼠意識到非隨機行為不足以智勝計算機演算法時，它們會求助於隨機行為。也許，那麼，這種差異不能簡單地歸咎於單純的噪音。相反，它在大腦功能中起著至關重要的作用。
現在，在 4 月 12 日發表於《PLoS 計算生物學》上的一項研究中，巴黎自然與數字科學演算法自然組 LABORES 科學研究實驗室的一組研究人員希望闡明這種複雜性如何在人類身上展開。“當大鼠[在 2014 年]試圖表現出隨機性時，”該研究的作者之一，計算機科學家 Hector Zenil 說，“研究人員看到它們正在計算如何表現出隨機性。這種計算正是我們想在研究中捕捉到的。” Zenil 的團隊發現，平均而言，人們表現出隨機行為的能力在 25 歲時達到頂峰，然後緩慢下降至 60 歲，之後開始加速下降。
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關當今塑造我們世界的發現和想法的具有影響力的故事的未來。
為了測試這一點，研究人員讓 3,400 多名年齡在 4 歲到 91 歲之間的參與者完成了一系列任務——Zenil 說，這是一種“反向圖靈測試”，用於確定人類在生成和識別隨機模式方面比計算機強多少。受試者必須建立他們認為對另一個人來說看起來是隨機的拋硬幣和擲骰子序列，猜測將從隨機洗牌的牌組中抽出哪張牌，指向螢幕上的圓圈並在網格中著色以形成看似隨機的設計。
然後，該團隊分析了這些反應，透過確定計算機演算法生成相同決策的機率來量化其隨機性水平，並將演算法複雜度衡量為可以模擬參與者選擇的最短可能計算機程式的長度。換句話說，一個人的行為越隨機，就越難用數學方法描述他或她的反應，演算法也就會越長。如果一個序列是真正隨機的，那麼這樣的程式根本不可能壓縮資料——它將與原始序列的長度相同。
在控制了語言、性別和教育等因素後，研究人員得出結論，年齡是唯一影響某人行為隨機性的特徵。“在 25 歲時，人們在生成這種隨機性方面可以勝過計算機，”Zenil 說。他補充說，這種發展軌跡反映了科學家們期望的更高認知能力指標的樣子。事實上，複雜性和隨機性的感覺是基於包括注意力、抑制和工作記憶（研究的五項任務都涉及到了這些）在內的認知功能——儘管這種關係背後的確切機制仍然未知。“因此，25 歲左右是頭腦最敏銳的時候。” Zenil 認為這在生物學上是合理的：自然選擇會偏愛在關鍵生育年齡期間擁有更強的產生隨機性的能力。
這項研究的結果甚至可能對理解人類創造力產生影響。畢竟，創造力的很大一部分是開發新方法和測試不同結果的能力。“這意味著訪問更廣泛的多樣性儲存庫，”Zenil 說，“這本質上就是隨機性。因此，在 25 歲時，人們擁有更多資源來發揮創造力。”
Zenil 的發現支援了之前的研究，這些研究也表明隨機行為會隨著年齡的增長而下降。但這是第一項採用演算法方法來衡量複雜性的研究，也是第一項在連續年齡範圍內進行的研究。“早期的研究考慮了年輕人和老年人群體，捕捉了特定統計方面，例如非常長的響應序列中的重複率，”瑞典梅拉達倫大學的計算機科學家 Gordana Dodig-Crnkovic 說，她沒有參與這項研究。“本文更進一步。” Zenil 團隊使用隨機性的演算法度量而不是統計度量，能夠檢查真正的隨機行為而不是統計或偽隨機行為——儘管偽隨機行為滿足隨機性的統計測試，但它不一定是真正隨機資料那樣的“不可壓縮的”。演算法能力隨年齡而變化這一事實意味著大腦本質上是演算法性的——它不假設世界是統計隨機的，而是採用更通用的方法，沒有傳統大腦統計模型中描述的偏差。
這些結果可能會為大腦如何運作開闢更廣闊的視角：作為一種演算法機率估計器。該理論將更新並消除決策統計模型中的一些偏差，這些偏差是流行理論的核心——其中最突出的是貝葉斯大腦假說，該假說認為，大腦為猜想分配一個機率，並在從感官接收到新資訊時對其進行修正。“大腦是高度演算法化的，”Zenil 說。“它的行為不是隨機的，也不是一種拋硬幣的機制。”他補充說，忽略演算法方法而只採用統計方法會讓我們對大腦的理解不完整。例如，統計方法無法解釋為什麼我們可以記住諸如電話號碼之類的數字序列——例如“246-810-1214”，其數字只是偶數計數數字：這不是統計屬性，而是演算法屬性。我們可以識別模式並用它來記住號碼。
此外，演算法機率使我們能夠更輕鬆地找到（和壓縮）看似隨機的資訊中的模式。“這是一個正規化轉變，”Zenil 說，“因為即使大多數研究人員都同意思維方式中存在這種演算法成分，但我們一直無法衡量它，因為我們沒有合適的工具，而我們現在已經開發並在我們的研究中引入了這些工具。”
Zenil 和他的團隊計劃繼續探索人類演算法複雜性，並希望闡明行為隨機性與年齡之間關係的認知機制。然而，首先，他們計劃對已被診斷出患有神經退行性疾病和精神障礙（包括阿爾茨海默病和精神分裂症）的人進行實驗。Zenil 預測，例如，被診斷患有精神分裂症的參與者將無法像對照組的參與者那樣好地生成或感知隨機性，因為他們通常比普通人做出更多的關聯並觀察到更多的模式。
研究人員的同事們正在待命。Dodig-Crnkovic 說，他們關於複雜性的工作“提出了一種非常有前景的方法”。