Понимание человеческого познания на протяжении многих десятилетий оставалось одной из главных задач психологии и когнитивных наук. Несмотря на многочисленные теории и модели, сфокусированные на отдельных аспектах человеческого мышления, долгое время не удавалось построить единое вычислительное представление, способное охватить весь спектр человеческого поведения в различных контекстах. Современные технологии искусственного интеллекта и обработки больших данных предоставляют уникальную возможность сделать качественный скачок в этой сфере. Одним из ярких примеров такого прорыва стала модель Центур — революционный фундаментальный алгоритм, созданный для предсказания и воспроизведения человеческого познания в широком диапазоне поведенческих экспериментов. Центур была разработана на основе новейшей языковой модели Llama 3.
1, обладающей 70 миллиардами параметров. Важной особенностью подхода стало тонкое дообучение этой модели с использованием специально собранного обширного набора данных Psych-101. Этот объемный датасет включает в себя более 10 миллионов последовательных выборов, сделанных свыше 60 тысяч участников в 160 различных психологических экспериментах. Экспериментальные данные охватывают разнообразные когнитивные задачи от принятия решений и памяти до сложных форм обучения и планирования. Интересным моментом является естественно-языковая трансформация всех экспериментов, которая позволила унифицировать описание самых разных парадигм в одну общую для модели форму.
Главным достижением Центура является демонстрация способности модели не только точно прогнозировать поведение участников экспериментальной выборки, на которой она обучалась, но и обобщать эти знания на новые, ранее не встречавшиеся ситуации. Модель успешно справляется с предсказанием поведения людей в условиях изменений сюжетов задач, модифицированных структур самих испытаний и даже в совершенно новых доменах, что ранее было недостижимой целью для существующих когнитивных моделей. Высокая точность Центура по сравнению с традиционными специализированными когнитивными теориями, такими как теория перспектив и различные алгоритмы обучения с подкреплением, подтверждается на большом количестве экспериментов и различных метриках. Еще один важный аспект заключается в способности модели генерировать поведение в режиме открытого цикла, то есть автономно воспроизводить образцы человеческих решений и стратегий без привязки к данным прошлого. В этом режиме Центур демонстрирует способности поразительно схожие с поведением реальных участников, включая разнообразие стратегий от строго эмпирических до сложных модели-подобных рассуждений.
Например, в классической задаче с двумя этапами она воспроизводит индивидуальные различия в склонности к моделиоподобному и моделенно-свободному обучению, отражая вариативность человеческого подхода к решению проблем. Особое внимание уделяется нейронаучному аспекту работы модели. Анализ внутреннего представления Центура показал улучшенное согласование с реальной нейронной активностью, измеряемой функциональной магнитно-резонансной томографией (фМРТ) у участников экспериментов. Это свидетельствует, что обучение модели на поведенческих данных способствует формированию внутренних репрезентаций, которые имеют не только смысл с точки зрения предсказания поведения, но и имитируют мозговые процессы человека. Такая двухуровневая «нейро-поведенческая» согласованность является мощным подтверждением того, что Центур отражает существенные аспекты человеческого познания как на поведенческом, так и на нейронном уровне.
Разработка Центура включает инновационный подход в области тонкого обучения больших моделей — использованием квантованного дообучения с низкоранговыми адаптерами (QLoRA). Эта методика позволяет при крайне ограниченном количестве дополнительных параметров эффективно адаптировать гигантскую языковую модель для специфической задачи. Таким образом, удалось избежать полного переобучения, минимизировать вычислительные затраты и сохранить исходные знания базовой модели, одновременно существенно повысив ее способность воспроизводить и предсказывать человеческое поведение. Вдобавок к точным прогнозам поведения и нейронным соответствиям, Центур также продемонстрировал способность предсказывать дополнительные психологические показатели, такие как временные характеристики реакции участников, связанные с информационной неопределенностью в задачах. Это подтверждает, что модель не ограничивается только выбором, но затрагивает и глубинные аспекты протекания когнитивных процессов.
Центур не только является инструментом для описания и моделирования человеческих когнитивных процессов, но и открывает новые возможности для научных открытий. Интеграция естественно-языкового формата данных и мощных языковых моделей облегчает процесс обнаружения новых гипотез и когнитивных стратегий. В одном из демонстрационных случаев использования психологических данных и Центура было возможно выявить и формализовать новую комбинированную эвристическую стратегию в многокритериальных выборах, которая превосходила в точности традиционные модели. С помощью метода научного правдоподобия (scientific regret minimization) удалось детально проанализировать ошибки базовых моделей и усовершенствовать их, ориентируясь на предсказания Центура. Такая синергия позволяет создавать одновременно интерпретируемые и высокоточные когнитивные модели, ускоряя прогресс в теоретической психологии.
Гибкость и масштабируемость установки Центура позволяет ему играть важную роль в будущем когнитивных наук и искусственного интеллекта. Возможна разработка более специализированных архитектур, обученных с нуля на большом массиве психологических данных, что позволит исследовать влияние различных нейросетевых компонентов и мета-структур на объяснение человеческого мышления. Кроме того, набор данных Psych-101 планируется расширять, включая новые области психологии, такие как психолингвистика, социальная психология и исследование индивидуальных различий, что сделает модель еще более универсальной и способной отражать разнообразие человеческих когнитивных стилей. На пути к единой теории человеческого познания Центур является убедительным примером того, как современные методы машинного обучения и огромные объемы данных могут слиться для создания универсальных моделей мышления. Такой подход отвечает давно выдвинутой потребности в интегрирующих моделях, способных объединить фрагментированные знания о познавательных процессах в единую систему.
Центур с его доказанной универсальностью, прогнозной точностью и нейронной информативностью становится фундаментом для будущих исследований и практических приложений в автоматизации когнитивных научных методов и разработке интеллектуальных систем нового поколения. С научной и практической точек зрения, Центур не просто очередная языковая модель — это область пересечения когнитивной психологии, нейронаук и искусственного интеллекта, открывающая вдохновляющие перспективы для понимания человеческого разума и создания систем, которые действительно «думают» и принимают решения подобно человеку. В эпоху, когда границы между естественными и искусственными интеллектуальными процессами стираются, модели подобного рода становятся ключевой технологией для преобразования представлений о том, как работает человеческое познание и как мы можем построить интеллектуальные машины будущего.
