導(dǎo)語

集智俱樂部聯(lián)合山東工商學(xué)院副教授高德華、天津大學(xué)教授薛霄、北京師范大學(xué)教授張江、國防科技大學(xué)博士研究生曾利共同發(fā)起。讀書會自2025年7月8日開始，每周二晚上7:30-9:30進(jìn)行，預(yù)計持續(xù)分享8周左右。掃碼加入Agent建模與仿真的前沿探索之旅，一起共學(xué)、共創(chuàng)、共建、共享「大模型時代下的Agent建模與仿真」社區(qū)，共同暢想大模型時代人工社會的未來圖景！

作為讀書會最后一期分享，講者將帶你進(jìn)入認(rèn)知神經(jīng)科學(xué)領(lǐng)域Agent建模的領(lǐng)域，帶你體會與社會科學(xué)中Agent建模研究的異同。同時，也會重點拆解認(rèn)知神經(jīng)科學(xué)中強(qiáng)化學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等常見計算模型的適用場景與局限，并探討 AI 時代認(rèn)知任務(wù)從抽象到自然場景的轉(zhuǎn)型，引入大模型并分析其優(yōu)勢、局限。最后會圍繞 “大模型能否建模人類認(rèn)知” 探討潛力與挑戰(zhàn)，總結(jié)二者融合的核心價值。

分享背景

認(rèn)知神經(jīng)科學(xué)是聚焦研究大腦如何支撐各類認(rèn)知功能的科學(xué)領(lǐng)域。近年來，認(rèn)知神經(jīng)科學(xué)的核心目標(biāo)——解析大腦如何支撐認(rèn)知功能，正面臨新的機(jī)遇與挑戰(zhàn)：一方面，傳統(tǒng)研究依賴抽象實驗任務(wù)與單一計算模型，難以完全貼合人類真實認(rèn)知場景，對復(fù)雜認(rèn)知過程的解釋力逐漸受限；另一方面，AI 技術(shù)的爆發(fā)式發(fā)展，尤其是大模型的涌現(xiàn)，不僅為處理高維度腦科學(xué)數(shù)據(jù)、設(shè)計自然化實驗任務(wù)提供了新工具，更催生了 “機(jī)器心理學(xué)” 等交叉方向，推動認(rèn)知神經(jīng)科學(xué)從 “研究人類認(rèn)知” 向 “結(jié)合人機(jī)認(rèn)知” 拓展。

與此同時，Agent 建模作為認(rèn)知神經(jīng)科學(xué)的重要方法，其不同尺度的研究（如聚焦個體認(rèn)知的微觀建模、關(guān)注群體交互的宏觀建模）長期存在 “側(cè)重差異”—— 社會科學(xué)更關(guān)注 Agent 間的互動規(guī)律，而認(rèn)知科學(xué)需進(jìn)一步深化對 Agent 自身認(rèn)知機(jī)制的解析。在此背景下，如何整合 Agent 建模的經(jīng)典框架與大模型的技術(shù)優(yōu)勢，突破傳統(tǒng)研究瓶頸，成為當(dāng)前認(rèn)知神經(jīng)科學(xué)領(lǐng)域亟待探討的關(guān)鍵問題。

分享簡介

本次分享聚焦認(rèn)知神經(jīng)科學(xué)中的Agent建模展開。首先梳理不同尺度的Agent建模特點——相較于社會科學(xué)側(cè)重Agent之間的交互，認(rèn)知科學(xué)更關(guān)注Agent本身。

接著立足認(rèn)知神經(jīng)科學(xué)領(lǐng)域，簡要說明其核心研究目標(biāo)與方法，深入解析強(qiáng)化學(xué)習(xí)模型、漂移擴(kuò)散模型、符號模型、神經(jīng)網(wǎng)絡(luò)模型等常見計算模型，剖析它們在不同任務(wù)中的應(yīng)用場景與局限性。

隨后探討AI時代認(rèn)知科學(xué)任務(wù)范式的變遷：從傳統(tǒng)抽象任務(wù)逐步轉(zhuǎn)向更自然、貼近真實的任務(wù)場景。在此基礎(chǔ)上引入大模型相關(guān)內(nèi)容，理性分析其優(yōu)勢與局限，并明確其在認(rèn)知神經(jīng)科學(xué)中的三大應(yīng)用方向——作為社會環(huán)境組成部分助力人機(jī)交互研究、作為工具優(yōu)化實驗設(shè)計、作為獨立研究主體推動機(jī)器心理學(xué)發(fā)展。

最后，圍繞“大模型能否用于建模人類認(rèn)知”展開思考，探討其潛力與挑戰(zhàn)，最終總結(jié)Agent建模與大模型結(jié)合的核心要點。

分享大綱

1 不同尺度上的Agent建模

2 認(rèn)知神經(jīng)科學(xué)中的Agent建模

2.1 認(rèn)知神經(jīng)科學(xué)簡介

2.2 認(rèn)知神經(jīng)科學(xué)中常見的計算模型

2.3 傳統(tǒng)抽象的任務(wù)到自然、真實的任務(wù)

3 大模型與認(rèn)知神經(jīng)科學(xué)

3.1 理性看待大模型

3.2 認(rèn)知神經(jīng)科學(xué)中的大模型

3.2.1 作為社會環(huán)境的一部分--人機(jī)交互

3.2.2 作為工具優(yōu)化實驗（e.g.生成相關(guān)實驗材料）

3.2.3 作為獨立的研究主體（Machine Psychology）

3.3 用大模型來對人的認(rèn)知進(jìn)行建模？

4 總結(jié)

核心概念

1. 強(qiáng)化學(xué)習(xí)模型

2. 神經(jīng)網(wǎng)絡(luò)模型

3. 人機(jī)交互：人與大模型的交互以及大模型如何影響人，利用大模型生成實驗材料

4. 機(jī)器心理學(xué)：探究大模型的認(rèn)知

5. 模型與建模：模型是科學(xué)假設(shè)的具象化載體，建模能助力認(rèn)知神經(jīng)科學(xué)更深入、精準(zhǔn)地探究大腦的認(rèn)知過程。

6. AI時代的計算模型：隨著計算模型不斷發(fā)展，其不僅能分析更復(fù)雜的數(shù)據(jù)，還支持設(shè)計更貼近真實場景的決策任務(wù)。

參考文獻(xiàn)

• Cross, L., Cockburn, J., Yue, Y., & O'Doherty, J. P. (2021). Using deep reinforcement learning to reveal how the brain encodes abstract state-space representations in high-dimensional environments. Neuron, 109(4), 724–738.e7. https://doi.org/10.1016/j.neuron.2020.11.021

• Tomov, M. S., Tsividis, P. A., Pouncy, T., Tenenbaum, J. B., & Gershman, S. J. (2023). The neural architecture of theory-based reinforcement learning. Neuron, 111(8), 1331–1344. https://doi.org/10.1016/j.neuron.2023.01.023

• Wise, T., Emery, K., & Radulescu, A. (2024). Naturalistic reinforcement learning. Trends in Cognitive Sciences, 28(2), 144–158. https://doi.org/10.1016/j.tics.2023.08.016

• Carvalho, W., & Lampinen, A. (2025). Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior. arXiv preprint arXiv:2502.20349. https://doi.org/10.48550/arXiv.2502.20349

• Shin, M., Kim, J., van Opheusden, B., & Griffiths, T. L. (2023). Superhuman artificial intelligence can improve human decision-making by increasing novelty. PNAS, 120(12), e2214840120. https://doi.org/10.1073/pnas.2214840120

• Binz, M., & Schulz, E. (2023). Using cognitive psychology to understand GPT-3. PNAS, 120(6), e2218523120. https://doi.org/10.1073/pnas.2218523120

• Akata, E., Schulz, L., Coda - Forno, J., Oh, S. J., Bethge, M., & Schulz, E. (2025). Playing repeated games with large language models. Nature Human Behaviour, 9(7), 1380 - 1390. https://doi.org/10.1038/s41562-025-02172-y

• Binz, M., Akata, E., Bethge, M., Br?ndle, F., Callaway, F., Coda-Forno, J., … Schulz, E. (2025). A foundation model to predict and capture human cognition. Nature, 644(7659), 1003 - 1009.

• Zhang, S., Seak, L. C. U., Dolan, R. J., & Wu, H. AI in the computation and regulation of social decision-making. OSF Preprints. https://sciety.org/articles/activity/10.31234/osf.io/uf9g4_v1

主講人介紹

張鑠，澳門大學(xué)認(rèn)知與腦科學(xué)研究中心，認(rèn)知與腦科學(xué)專業(yè)博士，導(dǎo)師為伍海燕教授。本科碩士均就讀于南方科技大學(xué)，專業(yè)分別為物理系與生物醫(yī)學(xué)工程系。

研究方向：大腦中的價值決策過程，認(rèn)知計算建模，AI與認(rèn)知心理學(xué)

分享時間：2025年9月2日（周二）晚上19:30-21:30

報名后可加入社群交流，也可查看往期讀書會回放。

https://pattern.swarma.org/study_group_issue/967?from=wechat

（可開發(fā)票）

掃碼參與，加入社群，獲取系列讀書會永久回看權(quán)限，與社區(qū)的一線科研工作者溝通交流，共同大模型時代的未來人工社會圖景。

「大模型時代下的Agent建模與仿真」讀書會

集智俱樂部聯(lián)合山東工商學(xué)院副教授高德華、天津大學(xué)教授薛霄、北京師范大學(xué)教授張江、國防科技大學(xué)博士研究生曾利共同發(fā)起。讀書會自2025年7月8日開始，每周二晚上7:30-9:30進(jìn)行，預(yù)計持續(xù)分享8周左右。掃碼加入Agent建模與仿真的前沿探索之旅，一起共學(xué)、共創(chuàng)、共建、共享「大模型時代下的Agent建模與仿真」社區(qū)，共同暢想大模型時代人工社會的未來圖景！

核心問題

Agent建模與仿真是什么，核心技術(shù)發(fā)生了怎樣的演變？

大模型時代，Agent建模與仿真會給復(fù)雜系統(tǒng)理論帶來哪些突破？

大模型如何賦能Agent實現(xiàn)自主思考與動態(tài)適應(yīng)？

大模型驅(qū)動的Agent交互會涌現(xiàn)出什么新型的社會現(xiàn)象？

Agent建模與仿真如何改變金融、心理、管理、軍事等領(lǐng)域的研究范式？

你將收獲

梳理Agent建模與仿真的歷史發(fā)展脈絡(luò)與方法論；

掌握一套理解、分析、控制、預(yù)測復(fù)雜系統(tǒng)的計算實驗框架；

掌握基于多主體強(qiáng)化學(xué)習(xí)的復(fù)雜系統(tǒng)優(yōu)化方法；

領(lǐng)略領(lǐng)域前沿學(xué)者的研究體系與科研路徑。

詳情請見：