19、神经网络与动物认知：深入剖析与思考

最新推荐文章于 2025-11-24 21:26:24 发布

wasm7browser

最新推荐文章于 2025-11-24 21:26:24 发布

阅读量42

点赞数

CC 4.0 BY-SA版权

分类专栏：神经网络解码动物行为文章标签：神经网络动物认知认知模型

本文链接：https://blog.youkuaiyun.com/wasm7browser/article/details/154629650

神经网络解码动物行为专栏收录该内容

20 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

神经网络与动物认知：深入剖析与思考

1. 神经网络应用的注意事项

在运用神经网络时，因其在生成输入 - 输出映射方面具有灵活性和强大能力，可能会让人在未全面理解模型运作的情况下随意尝试不同元素。所以，谨慎推进至关重要，要从精确提问开始，先从简单模型入手，这样便于分析和理解其运行机制。在进化模拟中，缺乏理解可能会带来极大风险，尤其是当复杂问题或网络架构要求进化过程在巨大的状态空间中搜索时。

此外，学习理论和经典行为学理论与神经网络理论相对一致，但动物行为的认知方法部分与神经网络模型较难协调。如今认知思维在动物行为研究中占主导地位，因此有必要深入探讨认知建模及其与神经网络视角的关系。

2. 动物认知的定义与探讨

多数关于动物认知（以及人类和机器认知）的观点强调信息或知识的表示、计算、概念以及符号或概念信息的操作。动物认知文本中还有目的、意图、期望和目标寻求等突出概念。也存在更广泛的认知定义，如“认知指动物获取、处理、存储和对环境信息采取行动的机制”，但按此定义，所有行为包括简单反射都是认知行为，所有模型也都是认知模型，认知模型就没有特定结构元素来区分了。

在认知科学中，认知、计算和知识表示的含义已被广泛讨论，常见话题是神经网络与基于符号形式操作的经典认知模型之间的关系。有人认为两者基本等效，也有人觉得差异太大无法调和。认知模型和神经网络模型看起来很不同，前馈网络能“处理信息”，但不像计算机程序那样按形式规则操作符号或概念，不过这种非符号处理仍能识别刺激并做出决策。

3. 神经网络能否更具“认知性”

3.1 前馈网络的情况

概念节点与符号处理 ：一些网络模型有“概念节点”，能在抽象层面表示外部世界。例如，特定节点在感知到某类对象时会激活，其活动按网络常规方式处理，从这个意义上说，任何网络模型都能处理符号或概念信息，但处理是按网络常规的非符号规则进行的，且这些模型未解释外部刺激如何转化为类别或概念。
基于特征检测器的网络 ：基于特征检测器的前馈网络能根据特征或特征组合对刺激进行分类，但特征检测器的操作常只是假设，未在模型中明确实现。
认知前馈网络的优势分析 ：通常认为认知机制更优越，因为能解决更难问题、加快决策速度或成本更低。但标准前馈网络在形成输入 - 输出映射方面已很强大，且快速经济。引入概念节点不太可能使网络更快或成本更低，反而可能因引入特征检测器增加节点和层数。只形成硬分类（是/否）的模型还需额外机制来生成平滑泛化梯度和应对新刺激。
增加层数的影响 ：增加前馈神经网络的层数可使感官处理和决策之间有一定独立性，可解释为决策所依据信息的表示。若在输出层引入阈值，可能形成类别或概念，但会损害平滑泛化能力；无阈值的网络可形成分级类别或概念，近似硬分类。多层网络能否涵盖动物认知的观察结果尚不清楚，但增加层数能增强网络形成输入 - 输出映射的能力，还允许感知学习。

下面用表格总结前馈网络不同改进方式的特点：
|改进方式|优点|缺点|
| ---- | ---- | ---- |
|引入概念节点|能处理符号或概念信息|未解释刺激转化，可能增加成本|
|基于特征检测器|可对刺激分类|操作常未明确实现|
|增加层数|增强映射能力，允许感知学习|可能损害平滑泛化能力|

3.2 递归网络的情况

认知科学家和早期行为学家常批评行为主义的刺激 - 反应（S - R）理论忽略内部因素，前馈网络属于S - R理论。而递归网络能考虑内部状态，可对刺激的时间结构敏感并产生有组织的行为序列，通过构建“调节状态”实现，即节点活动通过递归连接对输入和/或输出序列敏感。不过，并非所有递归网络都能被解释为具有认知性，但递归连接开启了新的可能性，如部分脱离外部刺激的调节状态可能发展为“思考”，调节状态的结构化序列可能被解释为处理“规则”。一些递归网络还能进行基于片段信息的记忆检索或刺激分类，有学习能力，可说是“学习概念”，但尚未作为概念形成模型进行测试。

下面是递归网络与前馈网络特点对比的mermaid流程图：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px

    A([前馈网络]):::startend --> B(简单S - R理论):::process
    A --> C(对时间结构不敏感):::process
    D([递归网络]):::startend --> E(考虑内部状态):::process
    D --> F(对时间结构敏感):::process
    D --> G(可能有“思考”和“规则”特性):::process

4. 神经网络能否解释动物认知

有许多实证研究结果表明动物具有“认知”能力，如概念形成、数字能力和符号信息操作等，但这些结果的替代解释很少被测试，标准神经网络有可能解释部分或大部分动物认知的观察结果。

以“相同”和“不同”的抽象概念形成为例，实验表明一些动物能学会区分由相同元素和不同元素组成的图片。先通过工具性条件作用训练动物对一种类型的图片做出反应，再用训练中未出现过的元素组成的图片测试，若动物仍能正确反应，就被认为是使用了“相同”和“不同”的概念。

神经网络在某种意义上能完成这种行为，因为它几乎能形成任何行为映射，但问题是认知行为是否能从模拟进化或生物学上合理的学习过程中出现。目前还不清楚答案，过早得出网络（包括前馈网络）无法匹配动物在该问题上的能力的结论是不恰当的。用各种类型的网络（前馈和递归）模拟实证研究很重要，若简单网络失败，就需开发新理论；若网络能重现结果，则需重新思考动物内部的认知机制。

还可以根据网络的泛化特性做出一些有趣预测，网络对所有新图片的反应不会完全相同，这可能被认为是未形成“相同”概念，但动物也会犯错。在简单网络模型中，对新图片的表现取决于其与已知图片的相似度，预计网络在与训练图片相似度低的新图片上犯错最多，这是否也适用于包括人类在内的动物值得研究。

5. 内部过程的可观察性问题

若神经网络能解释许多看似需要形式符号能力的技能，就面临内部过程可观察性的重要问题，即仅通过观察行为能了解多少内部机制。在动物认知和大多数动物心理学中，行为是了解动物的唯一窗口，而神经行为学主要通过研究神经系统的结构和操作获取知识，神经网络方法则介于两者之间。

系统理论的结果表明，从外部了解系统内部存在重要限制，这对行为研究学者是个严峻问题。例如，许多研究试图根据行为观察区分不同类型的记忆模型，但理论上是否可行是个重要问题。仅通过探索刺激 - 反应模式很难了解神经网络的记忆机制。

以沙漠蚂蚁的航位推算研究为例，有两种模型，一种用笛卡尔坐标存储蚂蚁位置，另一种用极坐标。还有一个神经网络模型也能重现蚂蚁的行为。仅观察正常行为无法区分这些模型，可通过实验模拟异常情况（如假太阳）来观察模型和蚂蚁的反应。认知模型和神经网络模型的计算细节不同，经典认知科学认为这些模型在计算层面相同，但符号模型更受青睐，因为能显示基本计算。不过，神经网络可能更强大且能更丰富地描述蚂蚁位置，认知模型则可能更容易理解，能清晰表明蚂蚁可用信息足以进行航位推算。

6. 认知模型、神经网络与进化的关系

神经网络具有高度通用性，能实现几乎任何行为映射，且小的变化通常产生小的影响，这有助于理解行为系统在进化过程中如何逐渐改变和改进。而认知模型通常关注进化问题的终点或最优解，模型结构针对特定问题，不具有通用性。

以沙漠蚂蚁的航位推算模型为例，很难想象该模型在最终形成前的样子以及如何从不太完善的机制进化而来，且该模型未解释蚂蚁大脑如何实际实现假设的计算。

Marr提出智能机制的操作应从三个层面理解：最高层是抽象问题分析的计算层面，接着是定义解决问题的特定形式程序的算法层面，最后是算法的物理实现层面。但如今常见的认知建模风格忽略了实现层面，只考虑解决问题的能力，而不考虑机制的速度和成本。在进化中，这三个因素都很重要。在网络模型中，速度和成本可通过处理步骤数、节点数和连接数轻松定义，而认知模型的成本和速度很难估计，这也否定了Marr关于认知计算与物理实现无关的观点。

计算机程序的开发涉及Marr的三个层面，而动物智力的进化是由物理实现层面（基因控制）的变化引起的，进化结果也体现在物理层面，算法或计算层面的解释是对进化结果的解读。因此，要评估动物智力进化的限制和可能性，必须考虑物理实现层面，理解认知能力的进化需要了解其与神经架构和功能变化的关系。

综上所述，神经网络在动物认知研究中具有重要潜力，但也面临诸多挑战和问题。未来需要进一步深入研究，通过模拟实验和理论分析，更好地理解神经网络与动物认知之间的关系，以及它们在进化过程中的作用。

神经网络与动物认知：深入剖析与思考（续）

7. 神经网络与认知模型的对比总结

为了更清晰地对比神经网络和认知模型，下面通过表格进行总结：
|对比项目|神经网络|认知模型|
| ---- | ---- | ---- |
|通用性|具有高度通用性，能实现几乎任何行为映射|针对特定问题，结构不具通用性|
|进化适应性|小的变化通常产生小的影响，有助于行为系统逐渐进化|通常关注进化问题的终点或最优解，难以解释进化过程|
|计算层面考虑|速度和成本可通过处理步骤数、节点数和连接数轻松定义|常忽略实现层面，难以估计成本和速度|
|内部机制解释|难以仅通过刺激 - 反应模式了解记忆机制|可能更容易理解，能表明信息足以解决问题|
|处理方式|非符号处理，按网络常规规则进行信息处理|基于符号形式操作|

8. 研究方向与建议

从前面的分析可以看出，关于神经网络与动物认知的研究还有很多未知领域，以下是一些具体的研究方向和建议：

8.1 网络模拟实验

多种网络类型模拟 ：使用各种类型的网络，包括前馈网络和递归网络，对动物认知的实证研究进行模拟。例如，针对“相同”和“不同”概念形成的实验，通过模拟来确定网络是否能重现动物的行为，以及在何种条件下能够实现“认知”行为。
参数调整与优化 ：在模拟过程中，对网络的参数进行调整和优化，观察不同参数设置对网络“认知”能力的影响。例如，改变前馈网络的层数、节点数，或者递归网络的递归连接强度等。

8.2 理论探索

新理论开发 ：如果简单网络在模拟实验中无法匹配动物的能力，就需要开发新的理论。可以结合生物学、心理学等多学科知识，探索更符合动物认知实际情况的网络模型。
认知与网络关系理论 ：深入研究认知模型和神经网络之间的关系，不仅仅局限于表面的对比，而是从理论层面分析两者的联系和差异，为进一步的研究提供理论支持。

8.3 实验验证

动物实验验证 ：设计新的动物实验，验证基于网络模型做出的预测。例如，验证网络对新图片的表现与图片相似度的关系是否也适用于动物，包括人类。
跨物种研究 ：进行跨物种的研究，比较不同动物在认知能力上的差异，以及神经网络在解释这些差异时的适用性。

下面是研究方向的mermaid流程图：

graph LR
    classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px

    A([研究方向]):::startend --> B(网络模拟实验):::process
    A --> C(理论探索):::process
    A --> D(实验验证):::process
    B --> B1(多种网络类型模拟):::process
    B --> B2(参数调整与优化):::process
    C --> C1(新理论开发):::process
    C --> C2(认知与网络关系理论):::process
    D --> D1(动物实验验证):::process
    D --> D2(跨物种研究):::process