Hello，我是Allport Jr.，喜欢学习的领域是认知心理、发展心理、特质心理、积极心理学以及心理学和人工智能的结合，致力成为心理界AI玩的最6的，AI界心理讲的最真的。这篇文章是特刊，我们来聊一个比较“前沿”的人工智能和心理学相关的研究。
1
一直以来，心理学家们通过对于人类认知和发展的研究慢慢揭示我们如何去学习、思考、理解周围的世界，而人工智能的科学家则期望创造出足以模拟人类智能的算法。两者之间互相启发，尤其是从认知心理向人工智能方向的输出：
1、分布式认知理论与深度学习模型
行为主义和认知主义是学习理论中的两大主要流派。其中认知派学习理论认为，学习的结果就是要形成认知结构。所谓认知结构是指个体已形成的应付与处理学习情境或问题情境的内在经验系统。
分布式认知是认知科学的一个新分支，借鉴了认知科学、认知人类学、社会学以及社会心理学的理论和方法。分布式认知的概念具有两层含义：
1、它是一个包括认知主体和环境的系统，是一种包括所有参与认知的事物的新的分析单元；
2、它是一种认知活动，是对内部和外部表征的信息加工过程。
分布式认知能引导学习者的认知向高水平认知发展，能引导学习者的学习活动向深度学习迈进。人工神经网络就是模拟了这种认知方式。它基于认知理论中的PDP模型——将我们的认知活动视为是“大规模并行的”，可以同时处理大量信息。这种并行分布加工的模型能够将分布式存储的信息综合起来，得出解决问题的办法。
2、人的神经元结构与神经网络
神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。高中生物知识告诉我们，神经元有两种状态：兴奋和抑制。一般情况下，大多数的神经元是处于抑制状态，但是一旦某个神经元收到刺激，导致它的电位超过一个阈值，那么这个神经元就会被激活，处于“兴奋”状态，进而向其他的神经元传播化学物质（其实就是信息）。
1943年，心理学家McCulloch和数学家Pitts参考了生物神经元的结构，发表了抽象的神经元模型MP。神经元模型是一个包含输入，输出与计算功能的模型。输入可以类比为神经元的树突，而输出可以类比为神经元的轴突，计算则可以类比为细胞核。
下图是一个典型的神经元模型：包含有3个输入，1个输出，以及2个计算功能。
中间的每一个箭头线上都有一个“权值”。
这个神经元模型可以这样理解：我们有一个数据，称之为样本。样本有四个属性，其中三个属性已知，一个属性未知。我们需要做的就是通过三个已知属性预测未知属性。
随着神经网络的不断发展，其结构也变得越来越复杂。当我们不断加大中间传输的层数，构建的神经网络就会变成下面的样子：
（一个包含33个参数的神经网络）
2
接下来我们聊一聊——用人工智能来“模仿”人类感知周围环境及决策的过程。
心理学里有个“心理理论”（Theory of Mind），它是指推测他人心理状态的能力。著名的Sally & Anne实验很好的解释了这个概念：
在视频里，拥有上帝视角的小朋友看到了Sally在Anne不在场的情况下，把球从Anne的筐子里拿到了自己的篮子里这一“客观事实”，然后被询问Anne回来之后会在哪个地方去找她的小球？我们所认为的是：因为信息不对等，Anne并不清楚这个“客观事实”，即球被移动到了其它的筐，所以她还是会继续在自己的筐里寻找。可是，3岁之前的小朋友们却很难建立这样的对她人“心理”的认知，他们会认为Anne和他们知道的一样多，或者说，他们认为，只有一个同一的“客观世界”，别人眼里的世界，跟自己眼里的世界是一模一样的。
Sally & Anne实验揭示了低龄儿童会犯的错误信念（False Belief）。而对于一个成年人来说，我们清楚对方可能拥有我们不知道的信息，同时我们也可能掌握了一些对方不知道的信息，我们具备推测他人心理状态的能力，所以我们能够正确的通过上面的Sally & Anne实验。
在日常生活中，我们会根据对不同的对象行为预测，并做出不同的行为反应。例如，当我们跟一个理解能力极强的人谈话时，无需将每个语句都表达到位，而当我们跟一个理解能力很弱的人谈话时，则不得不尽量把每句话的意思都表达得浅显易懂。这种判断和灵活的应对方式是人类提升效率，节省资源的策略。
3
假如机器也学会了人类“心理理论”会怎么样？
近日由Google的研究人员推出了一篇论文，探讨了在简单环境下模拟人类建立心理理论能力的人工智能算法《Machine Theory of Mind》（相关经典论文包《Bayesian Machine ToM》和《Building Machines That Learn and Think Like People》等等）。
其中Machine ToM论文中的网络ToM-Net完美通过了Sally-Anne实验，成功的预测出了不同Agent在环境中接下来的行为。
通过这项研究，我们可以从另一个侧面去理解和预测人工智能算法的表现：人工智能算法，尤其是深度学习通常被认为是一个黑盒，其可解释性比较弱，人类可能很难去信任一个难以解释的事物。目前的做法更多的是通过可视化高层的kernel/feature map，或者通过统计数据支持，以此让“用户”去相信算法的可行性。构建了Machine ToM之后，我们又多了一个角度：不用去了解网络的内部结构也能对网络的工作能力做出预测和解释。
此外，当机器学会了人类的“心理理论”，它也能够根据对手（们）来选择制定合适的策略战术。
其实这个情境很常见，比如AlphaGo跟我下围棋，它其实没有必要使出浑身解数（每走一步都费力寻找一个“最优解”），拿对付柯洁的一套来对付我，换一个专门对付臭棋篓子的适应算法就足够KO我了。
目前，许多类似Alphabetical算法都会认为对手会做出最优的选择，但在实际情况中，我们通过对弈能感觉出对手的水平，适当采用一些冒险但是更省力的方案来击败比我们弱的对手是一种更节省更高效的方式。这让我想起我和一个同事聊天时提到，当智能投顾充斥市场的时候会strike一个纳什平衡，但是其实这个发展的过程并没有那么一蹴而就，市场上会有很多不那么“智能”或者决策信息以及Capacity有限的投顾，那么这套ToM也许能给我们带来更多的利益。
如果想了解论文的详细内容，请查看文章AI+心理 | 机器也能 get 人类“心理理论”。
虽然这个实验所涉及的环境还相当的简单，更复杂的Agent性格以及多Agent共同参与的环境下ToM网络的构建还在研究中。
不过，这至少让我们看到了机器智能前进的又一小步，也让我们感知到了AI正试图与“人类心理”靠拢。未来，人工智能的分析技术必将更精准地了解人类。从心理健康服务的角度来说，AI可以帮助用户更好地知道找到最适合自己的服务类型。借助人工智能这项技术，我们能够更好地挖掘人的心理潜力、实现人类的终生成长。
如果你也相信科技的力量，相信心理关怀的力量，欢迎加入EmpowerMe社区，我们一起探索有趣的人工智能，以及有趣的人类心理。
-END-