無聊作為一種認知資源利用的穩態機制——基于脈沖神經網絡的解釋
《Neurocomputing》：Boredom as homeostasis of cognitive resource utilization using spiking neural networks
【字體：
大
中
小
】
時間：2026年03月01日
來源：Neurocomputing 6.5
編輯推薦：
本研究提出基于脈沖神經網絡（SNN）的閉環控制模型，模擬無聊感作為信號調節認知資源分配，通過動態調整神經元群體活動維持最佳參與度。實驗驗證該模型能有效應對輸入變化并穩定認知資源利用，為腦啟發AI的情感計算提供新框架。
帕特里克·舍費爾（Patrick Sch?fer）|詹姆斯·丹克特（James Danckert）|彼得·F·施塔德勒（Peter F. Stadler）|馬丁·博格丹（Martin Bogdan）
摘要
盡管在人工智能（AI）領域取得了顯著進展，但當前的模型很少考慮情感或情緒狀態，這限制了它們模仿真正適應性和類人行為的能力。無聊是一種反復出現的情感狀態，它表明可用的認知資源與環境需求之間存在不匹配，從而引發一種逃避當前狀態的反應，以恢復最佳參與度。從功能心理學的角度來看，當認知參與度超出最佳范圍時，無論是由于刺激不足還是過度刺激，都會產生無聊感。在這里，我們將這一原理轉化為一個基于脈沖神經網絡的生物啟發式控制循環。該模型持續監控模擬的認知資源使用情況，檢測由于輸入干擾而產生的偏差，并動態調整資源的使用，以維持最佳參與度。仿真結果表明，該模型通過激發和抑制代表輸入處理的脈沖神經元群體，有效地保持了穩定的認知參與度。這項工作為開發能夠自主定義和調節其最佳認知參與度的未來模型奠定了基礎。通過將這種情感調節直接嵌入到脈沖架構中，我們的方法架起了認知神經科學和AI之間的橋梁，為如何在受大腦啟發的AI中實現類人的狀態監控和糾正行為提供了見解。
引言
解碼人類智能仍然是工程學和科學領域中最雄心勃勃且持久的目標之一。人類大腦能夠在不確定性下進行泛化、抽象和適應性決策，且具有顯著的魯棒性和能效。因此，它被視為開發人工智能（AI）的主要靈感來源。
這一努力的核心范式是開發和改進人工神經網絡（ANNs）或機器學習（ML）模型，這些模型旨在捕捉和復制智能行為背后的關鍵計算原理。然而，人類智能的許多核心方面——特別是與內部調節和情感動態相關的方面——仍然理解不足，在當前的AI方法中基本缺失。情感和情緒狀態在人類處理信息、做出決策和調節行為的過程中起著關鍵作用[1]、[2]、[3]。對這種內部動態的建模可能有助于開發更具適應性和自主性的AI[4]，同時為更精確地理解人類認知提供計算視角[5]。
脈沖神經網絡（SNNs）常被視為下一代ANNs，盡管它們自90年代就已存在。它們可以應用于經典的ML任務[6]，同時也為模仿內部調節過程提供了生物啟發式的平臺。這些網絡通過使用時間編碼的脈沖列（類似于神經系統中的輸入和輸出）來模擬信息處理，從而在時間和結構上更貼近生物現實，超越了傳統計算機科學和當前ML中的靜態數字。它們的架構和動態更接近AI的生物學模型：大腦及其連接的神經網絡。單個單元——脈沖神經元[8]通過突觸連接進行離散通信。已經開發出了多種神經元和突觸模型，平衡了生物準確性和計算效率。因此，SNNs為將認知建模與基于生物的計算相結合開辟了一條有趣的道路。
近幾十年來，特別是在心理學和哲學領域，一個日益引起研究興趣的人類體驗是無聊現象。無聊幾乎是每個人都會偶爾經歷的感覺，似乎是一種普遍現象，不受健康狀況或文化背景的影響。鑒于其反復出現的性質，功能主義解釋將無聊視為調節人類行為的核心組成部分。然而，只有少數方法通過信息處理的計算模型來捕捉這一現象[9]、[10]、[11]。然而，從作者的角度來看，理解無聊的出現和動態需要基于控制大腦的相同原理的建模方法。SNNs為此提供了合適的平臺。
以下工作基于我們之前使用SNNs對無聊進行建模的研究[12]，我們在其中引入了一個控制循環模型，該模型在認知參與度偏離最佳范圍時模仿了無聊的調節機制。在當前的工作中，我們通過引入次優認知資源利用的概念作為無聊出現的關鍵指標來改進這個模型。從這個角度來看，當這些資源被過度使用或使用不足時，無聊就會產生。為此，我們的模型會適應性地調節內部神經活動，以模擬認知資源的分配，并將系統保持在其最佳范圍內。
本文的結構如下：第2節介紹了無聊現象的理論背景，并將其置于功能框架中。第3節描述了基于SNNs的控制循環模型及其架構和調節功能。第4節描述了仿真設置及觀察到的行為，第5節對此進行了討論。最后，第6節總結了本文并概述了未來的工作。
章節摘錄
無聊作為穩態的信號
無聊是一種不舒服的感覺，表現為想要以有意義、有目的的方式參與世界但未能做到[13]。在自我調節的框架下，無聊狀態是一種行動號召，促使人們追求能夠有效參與世界的目標[14]。那些更頻繁、更強烈地經歷這種狀態的人被認為容易感到無聊[15]，并且會面臨各種心理健康挑戰。
從自我調節的角度來看無聊
基于脈沖神經網絡的穩態循環
將無聊置于認知資源的穩態調節框架中，可以將其形式化為一個計算模型。目標是捕捉偏差檢測和糾正行為的基本動態，在我們的理論框架中，這些行為旨在維持最佳參與度。
在我們的模型中，我們將這種機制轉化為一個由多個脈沖神經元群體組成的控制循環，每個群體代表調節的不同功能組件
實驗
為了驗證所提出的控制循環模型能否產生預期的動態，我們手動微調了從檢測單元到TP群體的突觸權重，以便在簡化的方式下在硅基環境中重現心理模型。實驗旨在測試控制架構在輸入統計變化的情況下能夠將CR群體的活動保持在可接受的操作范圍內的假設。
模型行為
該模型成功地在“適居區”內保持了認知資源的最佳利用。當SG1的輸入沒有干擾時，檢測單元的活動沒有顯著增加，表明沒有啟動任何行動號召。然而，當引入輸入變化時，模型展示了其調節機制。這旨在說明人類在認知資源受到過度或不足刺激時的反應行為。
結論與未來工作
這項工作擴展了我們最初使用SNNs將無聊現象納入AI的研究[12]。我們將將無聊視為認知資源使用不足的信號的心理視角，轉化為基于脈沖神經元群體的控制循環。該模型通過維持最佳認知資源利用水平來模仿穩態控制功能。
為了研究系統的行為，我們引入了脈沖生成器，這使我們能夠
CRediT作者貢獻聲明
詹姆斯·丹克特（James Danckert）：撰寫——審閱與編輯、監督、方法論、概念化。彼得·F·施塔德勒（Peter F. Stadler）：撰寫——審閱與編輯、監督、方法論、概念化。馬丁·博格丹（Martin Bogdan）：撰寫——審閱與編輯、監督、資源獲取、方法論、資金籌措、概念化。
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文所述的工作。
致謝
這項工作部分得到了BMFTR（聯邦研究、技術和空間部）在DAAD項目57616814（SECAI，嵌入式復合AI學院，
https://secai.org/)中的支持，該項目是Konrad Zuse人工智能卓越學院計劃的一部分。此外，它還得到了BMFTR和薩克森州科學、文化和旅游部的支持，屬于“可擴展數據分析與人工智能卓越中心”計劃的一部分
帕特里克·舍費爾（Patrick Sch?fer）是萊比錫大學和嵌入式復合人工智能學院（SECAI）的計算機科學博士候選人，該學院是Konrad Zuse人工智能卓越學院的一部分。他獲得了萊比錫大學的醫學信息學碩士學位和安斯巴赫應用科學大學的生物醫學工程學士學位。他的研究興趣包括受神經啟發的AI、機器學習和計算機輔助醫學。
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
