想象一下，你正在穿越一条繁忙的街道，突然听到从不明方向传来刺耳的警笛声。在此种情况下，人们往往会不自觉地转头寻找声源，甚至可能会后退或向前一步。人脑在处理此类突发情境时，需要处理大量信息，以瞬间做出决策。那么，人脑是如何计算此类互相冲突又相似的感觉线索，从而做出最佳选择的呢？

据外媒报道，美国普林斯顿大学（Princeton University）的神经科学家的最新研究为这一复杂过程提供了全新的视角。此类研究成果不仅加深了人们对大脑决策机制的理解，还可以推动自动驾驶和虚拟助手等人工智能（AI）系统的发展。

大脑决策过程（图片来源：普林斯顿大学）

大脑决策机制的研究

在该最新研究中，研究人员们提出了“潜在回路”（latent circuit）模型。该模型指出，在决策过程中，仅有少数特定神经元（称为“头目”的神经元）起着关键作用，而非整个相互连接的神经元网络都参与决策过程。

此种称为“低维”模型的方法改变了人们对大脑运算机制的理解。为了验证该模型，研究人员们采用了一个在人类及其他动物中普遍存在的决策场景进行实验。

在该项任务中，参与者首先在屏幕上看到一个形状（正方形或三角形），作为情境线索。然后，他们会看到一组动态点阵，作为感觉线索。基于最初看到的形状，参与者需要确定点（红色或绿色）的颜色或者其运动方向（向左或向右）。

研究人员在该任务中采用了潜在回路模型来分析神经活动，并发现，当运动为相关线索时，负责运动控制的神经元能够抑制负责颜色处理的神经元的活动。当颜色为线索时，则会观察到相反的现象，即负责颜色处理的神经元会抑制与运动相关的神经元的活动。

该款潜在回路模型不仅捕捉了神经元之间的关系，还具备预测能力。研究发现，一旦模型中特定的神经连接被削弱或移除，决策表现便会如预期般下降。

该研究对大脑疾病和AI的影响

抑郁症、多动症和阿尔茨海默病等神经疾病常常伴随着决策障碍。本研究则可帮助揭示此类疾病背后的数学机制，有望为相关疾病的治疗提供更好的方法。

除了增进对人类神经元系统的理解，该模型还可以改进AI系统。Alexa等数字助手以及自动驾驶汽车等应用，都需要依赖能够整合多种感官输入信息的决策算法。如果AI系统能够如人脑一般，有效处理并解决相互冲突的信息，其可靠性将得到提升。

研究人员表示，该研究的下一阶段是将该款潜在回路模型应用于其他已被广泛研究的决策任务，因为很多经过严格控制的决策任务可能具有相对简单的潜在机制。