“尽管新理论模型产生的速度正在加快，但在过去20年中，这些数据集的预测精度几乎没有提高。”何黎胜告诉《中国科学报》，“其根本原因是我们的认知系统具有高度复杂性。”
何黎胜解释说，风险决策看似简单。如果问大学生或高中生如何做风险决策，他们中的大多数人可能会说“我们先算出每个选项的期望价值，然后选择期望价值最高的选项”。
但风险决策比这复杂得多，受到多种认知和情感因素影响。以往研究者通过考虑这些影响因素，对风险决策行为提出了多种理论解释模型。
“近20年来，这种‘小数据集＋小模型’的研究范式遇到了瓶颈，主要表现为我们对决策行为的解释越来越多，但对决策行为的预测能力并没有显着提升。”何黎胜说，“这很大程度上取决于常用的‘小数据集’和‘小模型’（与深度神经网络相比，常规的决策模型都是小模型）研究范式。小数据集不足以支撑像深度神经网络这样的‘大模型’，而‘小模型’又不足以支撑决策过程中复杂的认知与情感因素。”
“大模型”显身手
“人工智能技术虽然发展迅速，但计算机不会有人类意义上的感情，短期内也不可能产生人类特征的情绪。”天津大学自动化学院副教授杨正瓴对《中国科学报》说，“这也许会成为人工智能的优势，让它在某些领域比人类做得更好。比如，利用‘大数据’的人工智能决策，的确可以帮助人类减少决策失误。”
近年来，不同学科之间的交叉研究提供了新的突破口，特别是行为决策、认知科学和机器学习等领域的交叉。
“总体而言，在‘小模型’范围内，前景理论的预测精度是上佳的，是迄今为止预测精度最好的风险决策模型之一。”何黎胜说，“如果我们把视野放到更广阔的‘大模型’（例如深度神经网络等机器学习算法），前景理论等小模型的预测劣势就显现出来了。”
|
