Nature最新研究：贝叶斯行为框架——重塑认知科学与智能体决策
关键字：认知科学 人工智能 习惯性行为 目标导向行为 贝叶斯方法 变分贝叶斯 意图变量 智能体决策 模拟实验 零样本规划 内部模型 主动推理 强化学习
随着人工智能的不断进步，其与认知科学的交叉研究正在开辟新的科学前沿。在这一领域，习惯性行为与目标导向行为的相互作用尤为引人关注。微软亚洲研究院的研究员们通过引入贝叶斯“意图”变量，提出了一种新颖的理论框架，这一框架不仅挑战了传统的认知模型，还为设计更高效、适应性强的智能系统提供了新方向。
在最新的研究中，微软亚洲研究院的团队通过引入贝叶斯“意图”变量，成功地将习惯性行为与目标导向行为结合在一起，提出了一种全新的计算框架。这一框架利用变分贝叶斯方法，不仅提高了智能体在复杂环境中的决策能力，还为认知科学领域带来了新的视角。
习惯性行为通常是快速且自动化的，而目标导向行为则需要更多的思考和灵活性。通过贝叶斯行为框架，研究者们展示了如何通过一个统一的模型来处理这两种行为模式，使得智能体能够根据环境变化和内在目标灵活调整其行为。习惯性行为由感官输入计算的意图先验分布驱动，无需具体目标。目标导向行为则由一个通过最小化变分自由能推断（active inference）的目标条件意图后验分布的引导。
在模拟实验中，智能体在T形迷宫任务中表现出了从目标导向到习惯性行为的自然过渡，以及在奖励贬值后的行为调整能力。更重要的是，该框架支持零样本目标导向规划，即智能体能够利用已有的习惯性行为来规划和执行新任务，而无需额外的训练。
关键技术元素：
习惯性行为与目标导向行为：研究的核心是理解这两种行为模式的交互作用。习惯性行为是快速且自动化的，而目标导向行为则是缓慢且灵活的。
变分贝叶斯方法：通过这种方法，研究者提出了一个整合习惯性行为和目标导向行为的理论框架。
贝叶斯“意图”变量：这是框架的核心创新点，用于将习惯性行为与目标导向行为有效衔接。
感知运动任务建模：使用变分贝叶斯方法对行为进行建模，特别是在T形迷宫环境中的视觉引导任务。
模拟实验：在T形迷宫环境中进行的模拟实验，展示了智能体行为模式的转变、调整和零样本规划能力。
内部预测模型（world model）：智能体利用这一模型进行目标导向的规划和行为预测。
主动推理与强化学习的结合：通过结合这两种方法，增强智能体在复杂环境中的决策能力。
这项研究的成果不仅在理论上具有重要意义，而且在实际应用中也具有巨大的潜力。通过结合主动推理和强化学习，智能体能够在没有明确模型的情况下进行有效的决策和规划，这对于设计能够适应快速变化环境的智能系统至关重要。
论文链接：https://www.nature.com/articles/s41467-024-48577-7
