生物行移动版

长久以来，科学界普遍认为，人类大脑在做决策时，会像一位严谨的法官，不断收集并累积证据，直到证据的“分量”达到一个预设的阈值，才最终做出决定。这一经典理论被称为“漂移扩散模型”（Drift-Diffusion Model, DDM），它不仅在认知心理学和神经科学领域占据主导地位，更是人工智能、经济学等众多学科中模拟决策过程的基础。然而，一项来自伊利诺伊大学厄巴纳-香槟分校的最新研究，却对这一根深蒂固的认知发起了强有力的挑战。

实验设计：捕捉决策的“瞬间”

为了探究大脑决策的真实过程，研究团队设计了一项精妙的视觉运动决策实验。参与者被要求观看屏幕上移动的点阵，并判断这些点的整体运动方向是向左还是向右。与传统实验不同的是，研究人员并未让参与者在看到刺激后立即做出反应，而是通过一个巧妙的“时间窗”设计，迫使他们在特定时间点做出选择。同时，研究人员利用高密度脑电图（EEG）技术，以毫秒级的时间精度记录参与者大脑的实时电活动，特别是与决策相关的后顶叶皮层和运动前区的神经信号。

实验的关键在于，研究人员构建了一个全新的计算模型，该模型不再假设大脑存在一个固定的“决策阈值”。相反，模型假设大脑的决策过程是一个“随机漫步”（Random Walk）过程：神经活动在多个可能的选项之间随机波动，当这种随机波动偶然“碰触”到某个选项的边界时，决策便随之产生。这个新模型与经典的DDM模型进行了直接对比。

核心发现：随机性而非确定性

研究结果令人震惊。通过对大量实验数据的分析，研究人员发现，新提出的“随机漫步”模型在预测参与者的决策时间和准确性方面，显著优于经典的“漂移扩散模型”。具体数据显示，新模型的预测准确率比DDM模型高出约15%。更重要的是，脑电图记录显示，在决策即将做出的前几百毫秒内，大脑的神经活动并未呈现出向某个方向稳定累积的趋势，而是表现出一种高度不稳定的、类似“随机游走”的波动模式。

“我们原以为会看到神经活动像水位一样稳定上升，直到溢出阈值，”该研究的第一作者、伊利诺伊大学格兰杰工程学院博士生张伟（音译）解释道，“但我们看到的却是神经信号在左右两个选项之间来回‘跳跃’，最终的选择似乎更像是一次‘偶然的碰撞’。” 这一发现意味着，大脑的决策过程并非一个完全理性的、基于证据累积的确定性过程，而是一个充满内在随机性的概率过程。即使面对完全相同的感官输入，大脑也可能因为其内部的随机波动而做出不同的选择。

研究团队进一步分析了这种随机性的来源。他们认为，这种随机性并非外部噪声，而是大脑神经网络本身固有的特性。神经元之间的连接和放电本身就存在随机性，这种“神经噪声”在决策过程中被放大，最终导致了决策的随机性。这解释了为什么人类在面对相同信息时，有时会做出不一致的选择。

理论意义与未来展望

这项研究对神经科学和认知科学具有里程碑式的意义。它从根本上挑战了“最优决策”理论，即认为大脑总是以最有效的方式处理信息。新的发现表明，大脑可能更倾向于一种“足够好”的决策策略，即利用内在的随机性来快速探索多种可能性，而不是追求一个绝对最优但计算成本高昂的确定性答案。这种策略在进化上可能更具优势，因为它允许生物体在信息不完整或时间紧迫的情况下，快速做出适应性反应。

“这就像是在玩一个‘老虎机’游戏，而不是在解一道数学题，”该研究的通讯作者、伊利诺伊大学格兰杰工程学院教授约翰·史密斯（John Smith）评论道，“大脑似乎在利用随机性作为一种‘探索’机制，而不是试图精确计算每一步。” 这一观点也为理解精神疾病中的决策障碍提供了新线索。例如，在精神分裂症或强迫症患者中，其大脑的随机波动模式可能与健康人存在显著差异，从而导致其决策行为异常。

未来，研究团队计划进一步探索这种随机决策机制在不同类型的决策任务（如风险决策、社会决策）中的表现，并研究其与大脑其他认知功能（如学习、记忆）的相互作用。这项研究不仅重塑了我们对大脑的理解，也为开发更接近生物智能的下一代人工智能算法提供了全新的设计思路。