Hur AI förändrar vår förståelse av mänskligt beslutsfattande

Att förstå mänskligt beslutsfattande har varit ett centralt mål inom psykologi i decennier. Forskare har länge försökt att utforma kognitiva modeller som förklarar hur människor tänker och förutsäger deras beteende. Nu förändrar uppkomsten av artificiell intelligens (AI) grundläggande denna disciplin. De senaste genombrotten inom AI avslöjar nya insikter om de mentala processer som ligger till grund för våra val. I centrum av denna transformation finns en innovativ approach som kallas “Centaur Mode“, där AI och mänsklig intelligens samarbetar på sätt som belyser naturen hos mänsklig kognition.

Gryningen till en ny era inom kognitiv vetenskap

Centaur är en grundläggande AI-modell för mänsklig kognition som kan förutsäga och simulera mänskligt beteende med slående noggrannhet. Modellen är tränad på mer än tio miljoner enskilda beslut gjorda av över 60 000 deltagare i 160 psykologiska experiment. Skapad av forskare vid Helmholtz München, är modellen utformad för att överbrygga gapet mellan traditionella kognitiva teorier och moderna AI-förmågor. Namnet “Centaur” härrör från den mytologiska varelsen med en mänsklig överkropp och hästliknande ben. Denna namngivning speglar modellens unika förmåga att kombinera mänskligt beslutsfattande med den prediktiva kraften hos artificiell intelligens. Modellen kan simulera mänskligt beteende i situationer den aldrig tidigare mött. När forskare testar den på nya psykologiska experiment, svarar Centaur på sätt som speglar verkliga mänskliga val. Denna förmåga tyder på att AI nu kan fånga grundläggande mönster i hur människor fattar beslut i olika sammanhang.

Grundvalen: Psych-101 Dataset

Hemligheten bakom Centaurs framgång ligger i dess träningsdata. Forskarna skapade Psych-101, en dataset som innehåller över 10 miljoner enskilda beslut från mer än 60 000 deltagare i 160 psykologiska experiment. Denna omfattande samling omfattar trial-by-trial-data från psykologiska studier, som minnesspel, hasarduppgifter och problemlösnings-scenarier. Varje experiment transkriberades noggrant till text för att förbereda datan. Denna naturliga språkdata tillåter forskare att bearbeta mänskligt beteendedata med hjälp av stora språkmodeller på ett sätt som bevarar den rika kontexten av experimentella inställningar. Denna approach möjliggör för modellen att förstå inte bara hur människor fattar beslut, utan också de omständigheter under vilka de fattar dessa beslut.

Hur Centaur fungerar

Centaur är byggd på Meta’s Llama 3.1 70B språkmodell och finjusterad med en teknik som kallas quantized low-rank adaptation (QLoRA). Denna metod modifierade endast 0,15% av den ursprungliga modellens parametrar medan den uppnådde remarkabla förbättringar i att förutsäga mänskligt beteende.

Träningsprocessen innebar att visa modellen kompletta transkriptioner av psykologiska experiment, inklusive allt deltagarna blev tillsagda, vad de såg och vad de gjorde. Modellen lärde sig att förutsäga mänskliga val genom att analysera mönster över miljontals beslut, gradvis utvecklande en förståelse för mänskliga kognitiva processer.

Att bryta prestationsskalor

Centaur har visat en imponerande prestation över flera mått. Den uppnådde 64% noggrannhet i att förutsäga mänskligt beteende, vilket betydligt överträffar tidigare modeller som endast kunde förutsäga vissa aspekter av mänskligt beteende med mycket lägre noggrannhet. I rigorösa tester över 160 experiment, överträffade Centaur konsekvent traditionella kognitiva modeller, inklusive etablerade teorier som Prospect Theory och förstärkt inlärningsramverk.

Kanske mest anmärkningsvärt, demonstrerade Centaur sin förmåga att generalisera bortom sin träningsdata. Modellen lyckades förutsäga mänskligt beteende i experiment med modifierade täckhistorier, strukturändringar och helt nya domäner den aldrig tidigare mött. Denna generaliseringsförmåga tyder på att Centaur har lärt sig grundläggande principer för mänsklig kognition snarare än att bara memorera specifika mönster.

Nyckelfynd

En av de mest slående upptäckterna från Centaur-forskningen är den inre representationens överensstämmelse med mänsklig neural aktivitet. Denna upptäckt tyder på att när AI lär sig att förutsäga mänskligt beteende, utvecklar den inre processer som speglar aspekter av mänsklig kognition. Trots att den endast tränats på beteendedata, visade Centaur en förbättrad förmåga att förutsäga mänsklig hjärnaktivitet mätt genom fMRI-skanningar.

Denna oväntade neurala överensstämmelse tyder på att modellen kan ha avslöjat äkta insikter i hur den mänskliga hjärnan bearbetar information. Det faktum att en modell tränad uteslutande på beteendeval kan förutsäga neurala svar tyder på att beteende och hjärnaktivitet delar underliggande beräkningsprinciper.

Denna upptäckt tyder på att mänskligt beslutsfattande kan vara mer förutsägbart än man tidigare trott. Mönstren som Centaur lär sig från mänskliga val avslöjar underliggande strukturer i hur vi bearbetar information och fattar beslut. Dessa mönster observeras över olika typer av beslut, från enkla minnesuppgifter till komplexa problemlösnings-scenarier.

Forskningen visar också att AI kan fånga mänskliga kognitiva fördomar. När Centaur gör förutsägelser, uppvisar den samma systematiska fel och genvägar som människor använder i beslutsfattandet. Denna upptäckt tyder på att dessa fördomar inte är fel i mänskligt tänkande, utan snarare en integrerad del av hur våra kognitiva system fungerar. De representerar effektiva strategier som vår hjärna använder för att navigera i komplexa miljöer med begränsade resurser.

Centaur avslöjar att våra val inte är slumpmässiga eller uteslutande logiska. De följer mönster som kan läras och förutsägas, men dessa mönster är komplexa och kontextberoende. Centaur demonstrerar att mänskligt beslutsfattande innefattar en komplex växelverkan mellan kognitiva processer som interagerar på sofistikerade sätt.

Ett nytt fönster till mänskligt tänkande

Traditionell psykologi har länge försökt att förstå mänskligt beslutsfattande genom isolerade studier och teoretiska modeller. Centaur-approachen representerar en annan väg. Genom att träna AI på stora mängder mänsklig beteendedata, kan forskare nu testa teorier om beslutsfattande i en omfattning som aldrig tidigare varit möjlig. När AI gör förutsägelser om mänskligt beteende, kan forskare jämföra dessa förutsägelser med verkliga mänskliga val för att identifiera luckor i nuvarande psykologiska teorier. Denna process skapar en återkopplingsloop där AI hjälper oss att förstå oss själva bättre.

Utöver återkoppling kan Centaur användas för vetenskaplig upptäckt. Forskarna demonstrerade detta genom att använda modellen i kombination med språkmodeller, som DeepSeek-R1, för att generera nya hypoteser om mänskliga beslutsstrategier. Denna approach, känd som vetenskaplig ångerminimering, möjliggör för forskare att identifiera mönster i mänskligt beteende som existerande teorier inte kan förklara.

Centaur representerar en ny paradigm inom kognitiv vetenskap, där AI-modeller fungerar som både studieobjekt och verktyg för att generera nya teoretiska insikter. Kombinationen av stora mängder beteendedata och AI-förmågor öppnar möjligheter för upptäckter som vore omöjliga genom traditionella experimentella tillvägagångssätt ensamma.

Utmaningar och framtida riktningar

Medan utvecklingen av Centaur är ett betydande framsteg inom kognitiv vetenskap, kvarstår kritiska utmaningar. Modellens förutsägelser baseras på mönster från psykologiska experiment, som kanske inte fullständigt fångar komplexiteten i verkligt beslutsfattande. Mänskliga val i laboratoriemiljöer kan skilja sig från dem i naturliga miljöer, där insatserna är högre och kontexterna är mer komplexa.

Det finns också frågor om generaliserbarheten av dessa fynd över olika populationer och kulturer. De psykologiska studierna som användes för att träna Centaur omfattade primärt deltagare från specifika demografiska grupper. Att förstå hur beslutsfattandemönster varierar över olika kulturer och kontexter förblir ett aktivt forskningsområde.

De etiska implikationerna av AI-system som kan förutsäga mänskligt beteende kräver också noggrann övervägning. Medan dessa verktyg kan ge värdefulla insikter, de väcker också frågor om integritet och potential för manipulation. När AI blir bättre på att förstå mänskligt beslutsfattande, behöver vi ramverk för att säkerställa att dessa förmågor används på ett ansvarsfullt sätt.

Utvecklingen av Centaur representerar bara början på en ny era inom kognitiv vetenskap. Forskarna planerar att utöka datamängden för att omfatta mer diversifierade populationer, demografisk information och psykologiska egenskaper. Framtida versioner kan inkorporera multimodala data, inklusive visuell och auditiv information, för att fånga en mer komplett bild av mänsklig kognition.

Centaurs framgång pekar också mot utvecklingen av mer avancerade kognitiva arkitekturer som kombinerar domänspecifika och domängenerella moduler. Detta kan leda till AI-system som inte bara förutsäger mänskligt beteende, utan också uppvisar mer mänsklig resonemangs förmåga.

Slutsatsen

Centaur representerar en förändring i hur vi studerar mänsklig kognition. Genom att kombinera skalan och kraften hos modern AI med den rika traditionen av psykologisk forskning, erbjuder den nya insikter i mänskligt beslutsfattande. Medan utmaningar kvarstår, tyder modellens framgång i att förutsäga beteende över olika domäner på att vi är på väg in i en ny era där AI och kognitiv vetenskap kan samarbeta för att avslöja mysterierna kring den mänskliga hjärnan.