行为实验研究

性行为，一种敏感又私密的行为。我们每天都在观察感知世界的千变万化，而对于性行为这一课题的研究和探索，永无止境。《疯狂实验史》一书就阐释了相关性行为的课题研究，对于这种令人羞于启齿的课题进行研究探讨，不得不佩服科学家的诡异思维。据说，他们中还有人因此获得“搞笑诺贝尔奖”，那么他们到底有哪些奇葩发现呢？奇葩科学家都做了啥？让我们一探究竟。约翰·沃森曾是约翰·霍普金斯大学最具风采的心理学教授，他颜值一流，学术成绩也像他的非凡颜值一样，非常人所能及，据说他的行为主义学派风靡一时，很多学生对他充满崇拜。沃森教授对于性行为的研究起源于第一次世界大战期间的一次性启蒙电影的展放，此次展放的观众多为即将出征的美国士兵，旨在教育美国士兵远离当地妓女，远离性病。战后，沃森把关注点从战士转移到普通民众身上，他想知道普通人对于性行为的真实看法，结果许多人嗤之以鼻，性行为象征着堕落。沃森明白，想要纠正人们对性行为的偏执意识，需要有力的研究数据来支撑。他于是开始了奇葩的性行为研究，研究本身充满创新，要是真能研究出所以然，或许真能在世界上激荡起一圈巨大的涟漪。只是，计划是好的，可是研究的过程中充满了变数，这不，他居然和小自己19岁的女助理暗生情愫，甚至把两人发生性关系的身体数据拟成了一份研究报告，沃森的献身精神真是“惊天地，泣鬼神”，可是，他的妻子得知真相后却很难接受，先是离婚，再是状告沃森，教授职位都被逼掉了，还销毁了所有的实验数据以及记录，可以说沃森的努力都付诸东流。性行为的研究暂时搁浅了，不过10年后，还是有科学家再次挑起了研究性行为的大梁，并且取得了阶段性的成果。1928年，美国一学者恩斯特·博厄斯对心率计进行了改进，突破了心率计必须在人体静止的情况下使用的局限，心脏活动研究的行为变得更加自由，因为仪器技术的支撑，是时候研究人们各种活动状态下的心率情况了，这将更有利于我们了解生命体征跟活动的关系。博厄斯研究了51个男人和52个女人在不同活动中的心率记录，结果非常惊人，心跳最快的活动是哪种呢？性高潮时的心率高达148.5次/分钟，高居心跳最快活动之首。博厄斯的研究成果非常有力地支持了为什么性行为中猝死非常容易发生。一百多年间，人们对性行为的研究也只是一些生理上的指标记录，但是对于实质性的内部状态一直受限于技术而停滞不前。直到1991年，核磁共振成像仪器的推广，才使性行为研究迈上一个新的台阶。荷兰医生佩克·凡·安德尔开始借助核磁共振仪器拍录性行为的内部状态，经过多次试验，凡·安德尔整理出了图像数据，并以论文形式申请在各知名杂志发表。杂志或以数据不足，或以行为不严谨为由拒绝凡·安德尔的论文发表。可后来，凡·安德尔的研究图像还是出现在了《英国医学杂志》上，他也因此获得了“搞笑诺贝尔奖”，声名鹊起。

在学习A-level/GCSE心理学时，心理学研究方法是小伙伴们必须掌握的知识点。以AQA考试局GCSE心理学课程大纲来看，心理学研究方法（Research methods）是主要学习内容之一，这部分知识内容主要包括可检验假设的形式、变量类型、采样方式、设计研究、相关性、研究程序、规划和进行研究、道德考量（Ethical considerations）。各部分内容还包含具体Topic要求小伙伴们掌握：（AQA考试局GCSE心理学研究方法课程大纲）心理学有几种不同的研究方法，主要分为两种类型，即定量研究（Quantitative methods，取决于数学或统计数据的使用）和定性研究法（Qualitative methods）。这两种类别的研究方法包含许多种研究，比如说相关性研究、描述性研究和实验性研究等。具体使用哪种类型的研究取决于具体的心理学研究目标。学姐在这里给大家介绍几种不同的心理学研究方法。1.个案研究（Case Study）案例研究是定性研究方法。它涉及在一段时间内观察一个人或一组人。研究人员采访对象或观察行为并记录信息。通常使用这种类型的心理学研究来说明如何在实践中应用心理学原理或理论。案例研究方法广泛用于专业培训中。2.实验法（Experiment）在科学科学中，实验是最常使用的研究方法。实验法的第一个原则是设置对照组。对照组可能是一个或一组未经操纵的个人或群体。第二个原则是控制变量。也就是说，实验应尽可能避免多余数据。该因素使心理学家能够重复该实验，这是可靠研究的要求。第三个原则是测量的一致性。如果允许使用不同标准将导致实验无法复制，实验结果不可靠。第四个原则是显示因果关系。也就是说，在实验中执行的操作导致了最终结果，而没有涉及其他因素。实验可以是在实验室控制的，例如睡眠研究，允许心理学家操纵受试者但不能操纵其环境的现场实验，或者不允许进行控制且主要是观察性的自然实验。3.观察研究（Observational Study）这种类型的定性研究可以是既自然进行的，也可以在人为控制的情况下进行。这种研究方法是系统的且需要仔细记录的。观察研究的目的是识别和描述一个变量甚至一组变量。4.调查研究（Survey）这种调查研究方法取决于报告的数据，结果可能是高度主观的。因此，调查通常涉及许多主题。这是一种随机抽样的定量研究方法。这不是实验法，而是“精心选择”了样本的方法。5.内容分析（Content Analysis）这种研究方法涉及查看诸如印刷品、电视、广播等媒体，以重复特定单词或短语甚至想法。这是一种定量方法，利用有关单词或概念的数学或数据来研究诸如定型观念或某些文化方面（例如性行为）的事物。这类研究在广告中特别有应用价值，但也可用于预测特定人群的行为。心理学中使用的研究方法取决于要研究的数据种类以及研究的目的和广度。

笔者从事动物行为实验仪器的开发与销售工作数十年，虽然不是专业的医学实验工作者，但是在这么长时间的工作经历中，尤其在每一次的动物行为分析软件安装和培训中，接触到了很多使用客户或者意向客户的关于动物行为实验的方方面面的困扰，这些困扰不仅仅在于国内外众多动物行为同类软件的功能比较，更多的是在这些软件与实验方法本身的一种结合使用上，我们的工程师经常会在售后的过程中被老师问到一些类似的问题，比如水迷宫实验做完以后，我的数据指标（上站台潜伏期）该怎么处理？新物体识别实验中该怎么选择合适大小的新奇物体？新奇物体什么材质什么形状适用？主被动回避实验的时候电刺激大小应该恒定在多少毫安是正确的？为此，我们一直希望抽个时间可以整理一下这些动物行为实验中经常遇到的困惑，形成一个专辑，供动物行为实验工作者更好的交流。疫情当下，居家办公，着实为这个想法提供了天时和地利，笔者就此抱砖引玉，先从新物体识别实验开始讲起，后续一定会陆续更新！1、新物体识别实验的测试原理先来大概讲一下新物体识别实验的原理，根据啮齿类动物具有喜欢探索陌生事物的天性，Ennaceur 和 Delacour 于 1988 年报道了一种非奖赏性的、简单 的认知记忆实验模型——新物体与新位置识别实验，用于 检测啮齿类动物的记忆能力。该模型根据动物对见过的熟悉物体和没有过的新物体的探究时间的长短来评价被测试动物的记忆能力，即当被测试动物未遗忘环境中见过的熟悉物体，便会用更多的时间探究没有见过的新物体；当被测试动物遗忘了见过的熟悉物体，则动物对环境中没有见过的新物体和见过的熟悉物体的探究时间应基本相同。与其它动物行为学实验方法相比，新物体识别实验具有不需要外部推动力，只需要适当的训练即可完成，且具有实验时间短的优点，受到越来越多的学者的关注。但由于新物体识别实验缺乏统一的实验标准，使其应用受到一定的限制。2、新物体识别实验的测试工具VisuTrack动物行为分析软件、新物体识别测试箱、新奇物体、摄像机及配套测试箱规格分为大鼠与小鼠，小鼠底面 40×40cm 的正方形，大鼠72cm×72cm，色泽灰色，四周有墙壁，壁高25-60cm， 多选用40cm 或 45cm高。实验箱的规格没有特别严格的要求，但是尺寸不应再比这个尺寸小了。型号：XR-XX1173、常见的困惑交流在特意看了几篇关于新物体识别实验的文献后，结合平常与实验工作者的交流情况，做一些小小的总结，供大家参考：3.1 新奇物体的大小没有一个文献给出物体的大小，所以只能估测，大鼠应该在直径 5cm 左右，小鼠直径在 3cm左右，而这个具体的尺寸也要参考被测动物的身长，应当不能易于让被测动物爬上新奇物体；3.2新奇物体的材质材质可以是刷过油漆的木棒，可以是有洞的石块，有纹理的陶瓷，或是 PVC 管子等，小朋友的儿童玩具也可以，只要没有气味，不要光滑，不要被老鼠随意移动。NOR实验物体可选用的材质很多，塑胶、金 属、玻璃、木质、陶瓷等均可用于本类实验研究。 本研究通过比较小鼠对塑胶和木质物体的探究活 动发现，ICR小鼠对木质物体偏爱程度相对较高， 当新旧物体为两种不同材质时，对新物体的DR 和DI值的影响很大，不能准确评价小鼠的学习记 忆能力。当新旧物体均为同一材质时，无论小鼠 是否喜爱该材质，均可对新物体保持较好的DR 值。因此，建议在NOR实验时，新旧物体尽可能 选择相同的材质。3.3 实验中的检测间隔时间新物体识别实验中的间隔时 间越短，小鼠对新物体的识别能力越高。在l min一2 h内，动物对新物体具 有较高的DR和DI值，当ITI超过24 h，小鼠对旧物体基本无记忆保留。3.4 实验动物选择在NOR实验中，实验动物的品系及特征是非常重要的，NOR实验中使用的动物主要是大鼠和小鼠，而且不同性别、不同年龄大鼠体内的性激素不同，也会影响 Lister—hooded大鼠对新物体的探究行为，这一点在实验之前一定要注意考虑。3.5 行为测试箱的形状有文章报道，分别使用了一个正方形和圆形的行为箱进行NOR测试，结论表明，虽然在两种不同形状的行为箱 中进行的新物体识别实验，动物对新物体识别结果 无差异，但为了避免角落造成的实验动物活动能力 降低现象的发生，我们认为采用圆形行为箱进行新物体识别实验能够更准确地反应实验动物对新物体 的识别能力。

对于有些育儿理念，我们是知其然却不知其所以然，以下几个心理学实验在历史上都堪称经典，看看它们是如何拿数字和事实说话的，又如何影响我们对孩子的教育。建议每个父母都好好看一下。一、印刻实验——孩子就如一张白纸，他总是在模仿学习你的行为奥地利生物学家劳伦兹（K.Z.Lorenz）在进行这项实验时，让刚刚破壳而出的小鸭子不先看到母鸭子，而首先看到自己，于是，有趣的事情发生了，小鸭子将劳伦兹当成了自己的母亲，总是跟着他。进一步的研究发现，小鸡、小鸟等辨认自己母亲和同类时，都是通过这一过程实现的，而且这一现象在其他哺乳动物身上也有所发现。一般说来，小鸡、小鸭的“母亲印刻”的关键期发现在出生后的10～16个小时，而小狗的“母亲印刻”关键期发现在出生后的3～7周。研究还发现，动物在关键期内，不仅可以对自己的妈妈发生“母亲印刻”，而且如果自己的妈妈在小动物出生后不久就离开的话，它们也可以对其他动物发生“母亲印刻”。印刻实验最重要的2点：一是环境对人的影响，“狼孩”“孟母三迁”等等都说明这个道理。二是第一时间印象效应。“印刻效应”提示出一个深刻的道理：父母对孩子的心理健康具有不可替代的重要作用，特别是对婴儿的心理健康具有至关重要的奠基性作用。如果父母掉以轻心，不注重自己的言传身教，就很可能严重影响孩子正常的心理发展和健康，甚至贻误终生。因为，一个孩子心理不合格，就可能出次品、废品、危险品。印刻效应也提示我们：如果我们在儿童敏感期某一个确定的阶段上没能学会这种能力，那么我们过后将经历可以想象的许许多多的困难。二、视崖实验——不要轻视孩子的认知以为他什么都不知道视崖，就是视觉悬崖，由美国心理学家沃克和吉布森（R.D.Walk &E.J.Gibson）设计首创，是用来观察婴儿深度知觉的实验装置。视崖实验，后来被称为发展心理学的经典实验之一。研究者制作了平坦的棋盘式图案，用不同的图案构造以造成“视觉悬崖”的错觉，并在图案的上方覆盖玻璃板。将2～3个月大的婴儿腹部向下放在“视觉悬崖”的一边，发现婴儿的心跳速度会减慢，这说明他们体验到了物体深度。当把6个月大的婴儿放在玻璃板上，让他的妈妈在另一边招呼他时，发现婴儿会毫不犹豫地爬过没有深度错觉的一边，但却不愿意爬过看起来具有悬崖特点的一边，纵使母亲在对面怎么叫也一样。这似乎说明婴儿已经具备了深度知觉，但这种深度知觉是与生俱来的，还是在出生后几个月里习得的，目前还没有定论。记得前几个月，微信被韩国一个电视节目的视频刷了屏。这个节目也做了一个“视崖实验”，让孩子和妈妈处在“悬崖”的两边，妈妈用温暖的微笑，让孩子战胜了对“悬崖”和“火海”的恐惧，成功通过视觉悬崖。爸爸妈妈被感动得一塌糊涂。但仔细想想，电视节目里的这种实验实际上是混淆了孩子的认知，非常非常危险，宝宝直奔“悬崖”而去，却发现，原来“悬崖”就是平地，一点危险都没有。这样的想法可能一下子就成为了思维定式。如果下一次，如果真的遇到了面前横着一道悬崖的时候，经验主义就会让他很放心，大踏步向着悬崖走去……相信大自然的预设，在保证安全的前提下，鼓励孩子的探索。但是诱导式的实验是不能做的。三、三山实验——解读什么是“自私”的孩子这个实验出自近代最有名的儿童心理学家让·皮亚杰（Jean Piaget）之手，也是他最经典的四个实验之一。该实验的设计是：在桌子上放置三座山的模型，在高低、大小、位置上，三座山之间有明显的差异。实验时，先让一个三岁的幼儿坐在一边，然后将一个布偶娃娃放置在对面。此时实验者要幼儿回答两个问题。第一个问题是：“你看到的三座山是什么样子？”第二个问题是：娃娃看见的三座山是什么样子？”结果发现，幼儿对两个问题给出同样的答案，他只会从自身所处的角度看三座山的关系（如两座小山在大山的背后），而不能设身处地从对面娃娃的立场来看问题。皮亚杰以此来证明儿童“自我中心”的特点。自我中心主义是前运算阶段（2至7岁）幼儿的认知特征，自我中心主义是指幼儿只从自己的观点看待世界，难以认识他人的观点，认为所有的人都有相同的感受，经常假定其他人都在分享自己的情感、反应和看法。四、延迟满足的实验——延迟满足，让你得到的更多这是斯坦福大学在19世纪60年代末的一个著名实验，是测试学前儿童的抗拒即时满足的诱惑的能力。这个实验引申出很多关于意志力和自制力的一些很有力的观点。在这个实验中，4岁的孩子们进入到一个房间里，实现在他们面前的在碟子上放一块棉花糖。研究人员告诉他们可以把棉花糖吃掉，也可以等15分钟后研究人员回来，他们会获得两块棉花糖。虽然大部分的孩子都说他们会等，但是他们很多都难以抗拒面前的吸引然后屈服了——在研究人员回来之前就把棉花糖吃了；成功延迟整整15分钟的孩子一般的采取了回避策略，例如别过头去或者盖着自己的眼睛。实验结束后，《时代》杂志进行了跟踪报道。孩子们的行为意义很深远：能够延迟满足的孩子在青年时期很少会过于肥胖、有毒瘾或其他行为问题，他们将来的生活也更成功。五、表扬孩子的实验——别再夸孩子聪明，要多鼓励！斯坦福大学著名发展心理学家卡罗尔·德韦克（CarolDweck）和她的团队花了10年时间，一直研究表扬对孩子的影响。他们对纽约20所学校，400名五年级学生做了长期的研究，这项研究结果令学术界震惊。在实验中，他们让孩子们独立完成一系列智力拼图任务。首先，研究人员每次只从教室里叫出一个孩子，进行第一轮智商测试。测试题目是非常简单的智力拼图，几乎所有孩子都能相当出色地完成任务。每个孩子完成测试后，研究人员会把分数告诉他，并附一句鼓励或表扬的话。研究人员随机地把孩子们分成两组，一组孩子得到的是一句关于智商的夸奖，即表扬，比如，“你在拼图方面很有天分，你很聪明。”另外一组孩子得到是一句关于努力的夸奖，即鼓励，比如，“你刚才一定非常努力，所以表现得很出色。”为什么只给一句夸奖的话呢？ 对此，德韦克解释说：“我们想看看孩子对表扬或鼓励有多敏感。我当时有一种直觉：一句夸奖的话足以看到效果。”随后，孩子们参加第二轮拼图测试，有两种不同难度的测试可选，他们可以自由选择参加哪一种测试。一种较难，但会在测试过程中学到新知识。另一种是和上一轮类似的简单测试。结果发现，那些在第一轮中被夸奖努力的孩子中，有90%选择了难度较大的任务。而那些被表扬聪明的孩子，则大部分选择了简单的任务。由此可见，自以为聪明的孩子，不喜欢面对挑战。为什么会这样呢德韦克在研究报告中写道：“当我们夸孩子聪明时，等于是在告诉他们，为了保持聪明，不要冒可能犯错的险。”这也就是实验中“聪明”的孩子的所作所为：为了保持看起来聪明，而躲避出丑的风险。接下来又进行了第三轮测试。这一次，所有孩子参加同一种测试，没有选择。这次测试很难，是初一水平的考题。可想而知，孩子们都失败了。先前得到不同夸奖的孩子们，对失败产生了差异巨大的反应。那些先前被夸奖努力的孩子，认为失败是因为他们不够努力。德韦克回忆说：“这些孩子在测试中非常投入，并努力用各种方法来解决难题，好几个孩子都告诉我：‘这是我最喜欢的测验。’”而那些被表扬聪明的孩子认为，失败是因为他们不够聪明。他们在测试中一直很紧张，抓耳挠腮，做不出题就觉得沮丧。第三轮测试中，德韦克团队故意让孩子们遭受挫折。接下来，他们给孩子们做了第四轮测试，这次的题目和第一轮一样简单。那些被夸奖努力的孩子，在这次测试中的分数比第一次提高了30%左右。而那些被夸奖聪明的孩子，这次的得分和第一次相比，却退步了大约20%。德韦克一直怀疑，表扬对孩子不一定有好作用，但这个实验的结果，还是大大出乎她的意料。她解释说：“鼓励，即夸奖孩子努力用功，会给孩子一个可以自己掌控的感觉。孩子会认为，成功与否掌握在他们自己手中。反之，表扬，即夸奖孩子聪明，就等于告诉他们成功不在自己的掌握之中。这样，当他们面对失败时，往往束手无策。”在后面对孩子们的追踪访谈中，德韦克发现，那些认为天赋是成功关键的孩子，不自觉地看轻努力的重要性。这些孩子会这样推理：我很聪明，所以，我不用那么用功。他们甚至认为，努力很愚蠢，等于向大家承认自己不够聪明。德韦克的实验重复了很多次。她发现，无论孩子有怎样的家庭背景，都受不了被夸奖聪明后遭受挫折的失败感。男孩女孩都一样，尤其是成绩好的女孩，遭受的打击程度最大。甚至学龄前儿童也一样，这样的表扬都会害了他们。鼓励是指鼓劲而支持，表扬则是指对一件事或品行的显扬、宣扬。鼓励通常是针对过程和态度的，“爸爸看到你这学期的努力，为你骄傲！”表扬通常是针对结果和成效的，“爸爸看到你成绩提高，为你高兴！”多鼓励，少表扬；多描述，少评价，可以避免孩子被表扬绑架，或输不起，未达目的而不择手段。六、罗森塔尔实验——请给予孩子积极的期待有一个美丽的故事是关于皮格马利翁。远古时候，塞浦路斯王子——皮格马利翁喜爱雕塑。一天他成功塑造了一个美女的形象，爱不释手，每天以深情的眼光观赏不止......看着看着，美女竟然活了。人们从这个故事中总结出了“皮格马利翁效应”：期望和赞美能产生奇迹。1968年，美国心理学家罗森塔尔和吉布森（Rosenthal& L.Jacoboson）等人做了一个著名试验。他们在一所小学的1-6年级各选三个班的学生进行所谓“预测未来发展的测验”，然后通知教师说：“这些儿童将来大有发展前途”。实际上这些学生是随机抽取的。结果八个月后，对这些学生进行智能测验，发现名单上的学生成绩确实进步了，教师也给了他们好的品行评语，实验取得了奇迹般的效应。罗森塔尔认为这个结果是因为教师接受了“权威谎言的暗示”，对名单上的学生态度发生了变化，产生了偏爱心理和情感。从而对学生的心理与行为产生了直接影响，并促进了预期期望效果的达成，于是把这个效应命名为“皮格马利翁效应”。后来，人们也称之为“罗森塔尔效应”或“教师期望效应”。父母和教师对孩子的期望会决定他们对待孩子的态度和教育方式，而这些会对孩子各方面的发展造成直接的影响。所以请相信自己的孩子，请给予他们积极的期待。（本文来自：百度宝宝知道 教育不好成焦虑）————————世界很复杂，百度更懂你关注宝宝知道超级频道，了解备孕、怀孕、育儿更多精彩内容：专家直播、日刊知识、胎教电台、儿童故事、动画片，还有宝妈们最爱的社区圈子！宝宝知道与千万妈妈在一起，科学孕育，为爱成长！

1、 动物三箱社交自由探索实验(three chamber free exploring test)小鼠天性对新奇事物有好奇心，研究表明，与熟悉的环境相比，小鼠对不 熟悉的环境有更强探索欲望。本实验是在一个(20+8+20) *20cm的位置偏好箱 中完成的，包含左侧箱、右侧箱和中间箱(自由运动时小鼠从中间箱放入，避 免人为控制的左右箱进入顺序对实验结果造成影响)。自由探索实验(free exploring)以及后面将要提到的实时位置偏好实验均是用这种三箱装置完成， 每套三箱设备使用不同的花纹的壁纸以及不同纹路地板作为不同环境。所用到 的壁纸有四种图案，A.黑白星形格B.斜黑白条纹C.黑白方格D.竖直黑白 条纹，本文所用到的地板有两张，地板1.左侧平板，右侧浅斜条纹；地板2.左 侧空心圆格，右侧空心条纹，将环境与地板配对使用。环境自由探索实验旨在评价小鼠的探索行为，研究目标脑区及环路在探索 行为中所起的作用。自由探索实验中，所用到环境为A.黑白星形格+B.斜黑白 条纹壁纸和地板1左侧平板，右侧浅斜条纹，每次实验前均需测试小鼠对三箱 环境偏好的基础值，即baseline测定。2、主要材料和设备大小鼠三箱社交行为箱，型号：XR-XJ1173、三箱社交探索实验基本步骤本文采用的自由探索行为实验(free exploring)包括连续三天的测试。第一天为基线baseline检测，每只小鼠放入中央箱之后开始自由探索，每 只小鼠探索时间为20min,软件将自动记录小鼠运动轨迹、平均速度以及在各 箱所停留的时间进入次数等参数，将其记为baselineo第二天为training阶段，用中间隔板将小鼠限制于某一侧环境，让其在指 定的20*20cm单侧箱内自由探索，并同时给予473nm LED光照，刺激参数 BLA/NAC均为20Hz, 15ms,光纤末端光强10mw左右。(为避免激光损输出 伤，刺激模式为3s-on-3s-off不断循环，直到20min测试时间束。)第三天为test阶段，位置偏好箱两侧均正常开放，将小鼠置于中央箱，令 其自由探索20min,并利用软件系统自动记录小鼠运动轨迹、平均速度以及在 各箱所停留的时间、进入次数等参数，将其记为Test。(环境探索实验使用的三箱环境为A.黑白星形格+ B.斜黑白条纹壁纸和地 板1左侧平板，右侧浅斜条纹。由于第二天training阶段在指定封闭环境中给 光刺激20min,在第三天test时，与非刺激环境相比，该光刺激环境对于小鼠 而言是熟悉的环境(familiar),因此由于对不熟悉环境的探索天性，小鼠在 test阶段理论上将对非光照的不熟悉环境表现出更强的偏好性。4、注意事项(I) .为避免激光损伤，蓝色激光刺激模式为间歇给光。(II) .每次实验前，小鼠先放入彳丁为学室适应半小时以上。(III) .每只小鼠实验结束后，应用75%酒精彻底清洁实验箱，避免小鼠行为结果 受到上一只小鼠的气味影响。

那些想要了解直觉本质的人的汇编德米特里朱可夫，生物科学博士，俄罗斯科学院生理学研究所比较遗传学实验室高级研究员。IP 巴甫洛夫俄罗斯科学院1.关于鸟类和动物实例的行为刻板印象Victor Dolnik。生物圈的顽皮孩子。圣彼得堡：CheRo-na-Neve，Petroglyph，2004尽管有许多公平的批评，但我认为这本书对那些没有接受过生物教育的人非常有用。它揭示了复杂形式的社会行为的简单而明确的生物学意义。作者用简短但内容丰富的解释性文本提供了许多插图。演讲以一种非常简单的语言进行，有许多例子，我们的行为刻板印象和行为变得清晰，例如财产的本能，羞耻感和群体团结的愿望。所有这一切都以鸟类和动物的行为学信息为背景。该技术允许作者证明所有生物都属于同一生物圈。人类在其他动物中的地方Reznikova Zhanna Ilinichna。智力和语言：实验镜中的动物和人类莫斯科：Nauka，2000一个关于动物关系和一个人在其他生物中的定义的出色表现。叙述是基于对实验中获得的数据的分析，因此本书包含许多示例和描述动物行为的不同方面的情况，这使得它更容易阅读。最好的书籍之一，你可以了解动物的认知能力，他们的沟通技巧和社会化过程。2005年，雷兹尼科娃出版了“动物和人类的智力和语言”一书。“认知行为学基础”，这是这项工作的延伸和补充。3.遗传学和环境在人格形成中的作用Richard Levontin。人性：遗传和环境M .:进步，1993年优秀科普文献的一个例子。作者是美国着名的进化生物学家。该书是为“简单读者”发行的人类遗传多样性主题研究的变种。所以它写得很清楚，带有大量的庸俗例子，同时也是作者关于遗传与外部环境之间相互作用复杂性的主要观点。我们都像是无尽的祖先链的产物，也是我们自己努力的结果。200页的作者理解了人的相似性和个性的原因，指的是遗传机制和心理学方法。本书适合那些想要理解为什么人们彼此不同以及人类多样性的演变是如何从生物学和遗传学的角度演变而来的人。同时，读者不应该害怕公式和图表，4.人类思维如何发生洛伦兹康拉德。镜子的反面男：共和国，1998年作者是1973年获得诺贝尔生理学和医学奖的行为学创始人之一。为准备好的读者准备的书。在其中，行为学硕士对人类和动物的行为进行了深入的回顾。本书的主要特色是作者关于人类思维起源的假设，实际上“镜子的反面”是人类认知指定的隐喻。作者反思了人类与世界的互动过程以及他在世界上的自我意识，认知能力，先天性和后天性。例如，他认为基因编程的行为规律对于所有文化都是相同的，例如教孩子一门语言。这个过程不是以干净的石板开始，而是基于先天的结构。作为一个例子，作者在此引用了一个众所周知的聋哑人和失明女孩海伦凯勒的案例，这本书的内容更像是一种哲学而非生物学，但它阅读起来非常有趣和有趣。为准备好的读者准备的书。5.社会行为是自然选择的产物Wilson EO Sociobiology：The New Synthesis 1975哈佛大学出版社本书中的生物学家并没有什么令人震惊的，尽管它引发了关于将演化机制应用于社会行为的可能性的丑闻和科学争议，实际上这个争议是关于社会生物学的合法性。威尔逊的反对者指责他有社会达尔文主义，并且接近优生学的概念。这本书包含正确和不言而喻的思想：社会行为是自然选择的产物（见达尔文的理论）。也就是说，我们的友谊，利他主义，爱情 - 这一切都不是高尚精神的产物，不是“高”人类文明的结果，而是通常的生物适应。另一方面，对“外星人”（种族，民族，文化和其他群体）的敌意再次是自然的和生物学决定论的。

整个宇宙有两个世界，一个是宏观世界，一个是微观世界。宏观世界的任何物质都是微观世界作用的结果，比如光的传输，温度的变化等，很多事物你从宏观世界看不出什么，但是走进量子微观世界，你就会发现它的奥秘，比如温度的升高和降低，其实就是微观世界分子运动的结果。宏观世界的规则和微观世界的规则不一定相同，有时微光世界的神秘规则会完全颠覆人们的三观，让人们感到不可思议。相信很多人都知道双缝干涉试验，这个实验在高中的物理课上都做过，但是很多人都是只知道这个实验如何做，但却不知道这个实验背后却有一个至今都无法解释的神秘现象。这个实验很简单，高中的时候很多人都做过，准备一个蜡烛，在蜡烛后面放置一块只有一条长缝隙的挡板，这个挡板的作用是让蜡烛发出的光先衍射，变成一束稳定的相干光源，这样可以排除干扰，能更清晰地观察到试验结果。然后在后面放置一块有两条长缝隙的挡板，第二块挡板的作用是让相干光变成同样的两列光源，这两列光源发生干涉，相位相同效果就加强，相位有差就抵消，最后再放置一块黑色屏幕，承接干涉产生的明暗条纹。这个实验最早是在1961年，蒂宾根大学的克劳斯·约恩松突发奇想的进行了电子双缝干涉实验，简单的说：将若干电子发射到前方有两条相互平行的狭缝中，电子在通过狭缝后会在后面的探测屏上留下最终的运动位置，以便实验人员进行观察、总结。双缝干涉试验证明了光具有波粒二象性，它不仅仅是一种粒子，还是一种波。波粒二象性不仅存在于光子中，质子、电子和其它基本粒子都具有这种特性，它们即是一种粒子也是一种波。所以用电子进行双缝干涉实验，也会出现明暗的纹路，并且电子更容易观察。1974年，梅里教授又进行了电子双缝干涉实验，不过这次梅里教授为了更好地观察这种现象，在双缝的入口安装了极高清的摄像头，它可以直接观察到电子的运动情况，但令梅里教授没有想到的是，他安装摄像头的这一举动使这项实验发生了更加诡异的事情，震惊了整个科学界。到底是怎么回事呢？原来当科学家双缝前或双缝之间，只要安装了探测器，电子穿过缝隙的时候，屏幕上的明暗条纹消失了，只留下了两条平行，对应的亮纹。当科学家将探测器关闭的时候，明暗条纹又出现了。科学家通过反复的开启关闭探测器，最终看到的现象让科学家感到细思极恐。电子仿佛有意识一样，在微光世界和人类的眼睛玩起了捉迷藏游戏，人的观察行为决定了电子的运动状态，而人的观察行为又是图像通过眼睛传输的脑中形成的意识，意识竟然能决定电子的运动？这简直太不可思议了。这种神秘诡异的现象仿佛电子是有生命的，被人发现的时候就变成粒子态，成为一个乖宝宝。没被发现的时候就调皮了起来，偷偷变成了波态，这完全颠覆了人们对光子的认知。量子世界中一个简单的双缝干涉试验，完全颠覆了人们的三观，让科学家对微观世界有了更新的认知，尤其是对光子的波粒二象性有了全新的认知，这也说明，人类的科技还是非常有限，我们对光子，电子的认知还是非常有限的，还有很多未知的东西是我们不知道的。虽然科学家戏称电子似乎是有生命一样和人类玩捉迷藏，但是我们都知道，电子是不可能有生命的，同样光子也是不可能有生命的。它之所以会在探测器观测的时候就会失去波的表现，更多的可能是人类对光子，电子的认知有限，还没有真正弄明白光子，电子的本质和特性。科学家到目前还没有对双缝干涉试验背后神秘现象做出合理的解释，不过小编有一个自己的猜测，电子穿过双缝的时候，当探测器开启的时候会消失波的表现，可能的原因并不是说电子就没有波性，而是波被探测器吸收了，这种解释可能比较合理。虽然我们不知道具体的原理是什么，但是探测器可能具备吸收电子波的的能力，这样电子的波粒二象性中的波被开启的探测器吸收，只留下了粒子的特性，至于探测器为什么在开启状态下可以吸收电子的波，那就需要科学家去研究探索了，相信在不久的未来，双缝干涉试验背后神秘的现象会被科学家揭开，那个时候人类对光子，电子的认知会上升一个新的高度，对于人类文明将会产生巨大的推动作用。可能很多人不理解，光子的研究有什么用？它的作用太大了，可以说光本质的真正掌握将关系到人类探索宇宙的进程。我们都知道，想要探索宇宙，最主要的是需要超快的速度才行，如果飞船没有超快的速度，我们连太阳系都走不出去，更不要说探索宇宙了。站在宇宙的距离尺度上，光年是基本单位，对应的光速自然也是基本速度，人类想要掌握光速飞行技术，那必须要对光的本质有完全的理解，也就是对微观世界的光子有更深的了解才行，以我们现在对光子的理解程度，根本不可能研究出光速飞行技术，因此，彻底掌握微观世界光子的本质对于人类文明太重要了。小伙伴们，你们对此有何看法？欢迎大家在下方留言讨论，发表自己的见解和看法。

新智元推荐 来源：Nature编译：集智俱乐部翻译组(ID: swarma_org)【新智元导读】由MIT媒体实验室领衔，哈佛、耶鲁、马普所等院所和微软、谷歌、脸书等公司的多位研究者参与的课题组，近日在 Nature 发表了一篇以 “Machine behaviour” 为题的综述文章，宣告 “机器行为学” 这门跨越多个研究领域的新兴学科正式诞生。人工智能正在成为人类社会的重要组成部分，大量人机伦理问题正在被提出和解决，科学家们正在像研究人类和动物行为那样，深入研究机器和机器群体的宏观行为规律。由麻省理工学院媒体实验室研究人员领衔，哈佛、耶鲁、马普所等院所和微软、谷歌、脸书等公司的多位研究者参与的课题组，近日在 Nature 发表了一篇以 “Machine behaviour” 为题的综述文章，宣告 “机器行为学” 这门跨越多个研究领域的新兴学科正式诞生。本文约 12000 字。目录一、 研究机器行为的动机二、 机器行为学的跨学科研究三、 研究对象与研究问题四、 三种研究范围：个体、群集与人机交互五、 展望：机器行为学将如何发展？由人工智能驱动的机器正不断塑造着我们与媒体、社会、文化、经济、政治的互动。了解人工智能系统的行为是应用时扬长避短的基础，因此有必要把机器行为学（Machine behaviour）的研究范围从计算机学科扩大，融合各个学科的见解。本文首先总览了一系列关于机器行为学这个新兴学科的基础问题，随后探索了在这个学科上技术、法律和制度带来的研究限制。诺贝尔奖得主 Herbert Simon 在 1969 年发表了一本人工智能发展史上里程碑式的著作 ——《人工科学》（ The Sciences of the Artificial），其中他写到：“自然科学是关于自然物体与现象的知识。我们想知道是不是有一种‘人工’科学，研究人造物和它们的现象。”人工智能先驱 Herbert Simon 及其著作 The Sciences of the Artificial和 Simon 的思想一致，我们这样描述一个新兴的交叉学科：这个学科研究智能机器，但是并不是从工程机器的角度去理解它们，而是将其视为一系列有自己行为模式及生态反应的个体。这个领域与计算机和机器人学科有关联性，但是又相互独立。从经验的角度去解释智能机器的行为，类似于结合了生命内部特质（生理和生化特质）与外部环境塑造的特质（生态与进化）的行为生态学和动物行为学研究。要想完整研究动物的行为和人类的行为，周围的环境背景必须也被考虑进去。相似的，要想完全了解机器的行为，我们也得考虑算法以及算法所在的社会环境。现在，研究这些虚拟的或者嵌入式的人工智能体（artificial intelligence (AI) agents）的行为的科学家基本上是那批创造它们的人本身。当科学家创造这些智能体来解决他们的问题时，他们通常会致力于保证这些算法能满足他们需要的功能。从始至终，我们用人工智能体（AI agents）这个术语来描述用于决策或繁或简的算法。例如，在分类、面部识别、视觉识别领域的智能体，应当满足一个标准的精度要求。自动驾驶车应当在一系列设定的天气情况下都能成功导航。玩游戏的智能体应当能够击败一系列设定的人类和机器对手。数据挖掘智能体应当能够了解应该在推广竞选和社交媒体中该锁定哪几个目标。这些例子只是相关领域的一小部分。这些人工智能体正在各个方面扩展人类的福利，但是现在关于人工智能体行为的更广泛的考虑让问题多出几分批判性的思考。人工智能将会越来越多的融入我们的社会中。它们已经被应用在诸如信用评估、算法交易、地方治安、假释决定、自动驾驶、在线约会、无人机战争中了。认知系统工程、人机交互、人类因素、科学、技术、社会、安全工程等不同领域来的学者和思想家探讨人工智能体那些超出创造者预期的，既包括正面也包括负面的预测行为及后续后果，为我们敲响了警钟。除了缺乏围绕 AI 可能带来影响的预期，结合不断增加的机器替代原本直接由人类承担的工作的现状，因缺乏人类监管而造成的潜在危害是另一个令专家们惧怕的事情。同时，研究者也称人工智能体可以通过帮助和增强人类决策能力的方式扩大社会福利。虽然关于这些事情的讨论导致在不同的领域产生了新见解，在自治系统（autonomous systems）等上仍有很多安全性方面的挑战，比如公平性、义务、透明性等方面。ACM 公平、义务与透明性专题会议：https://fatconference.org/这篇综述将介绍这一新兴交叉学科：机器行为学（Machine behaviour），主要研究智能机器所表现出的行为。在这里，我们给出关键研究主题、问题和里程碑研究的大纲作为此门学科的例证。我们首先给出了机器行为学和这门学科必然具有的交叉学科特质，然后我们提供了研究这门学科的概念化框架。我们用加大机器与人 - 机生态学科研究的呼吁与学科的技术、法律、机构上的研究障碍的讨论来结束这篇综述。机器行为学来自多个学科的交叉、融合一、 研究机器行为学的动机机器行为学的研究动机有三：首先，很多在我们的生活中被运行的算法正起到越来越重要的角色；其次，因为不光是这些算法，还有算法运行的环境的复杂特质，光依靠分析手段是很难了解它们的行为的；另外，智能算法的广泛存在和复杂性给预测算法对人类潜在的或正或负的影响带来了挑战。无处不在的算法如今，多种多样算法正在社会中前所未有得的广泛应用；新闻排名算法和社交媒体机器人影响人民所听所看的信息。信评分算法会影响银行贷决策。在线定价算法给不同的用户定价，算法交易软件使得交易变得迅速。算法塑造了警务调度的派遣和空间格局，算法审判会影响刑事系统中犯人的服刑时间。自动驾驶车穿越我们的城市，共享交通算法会改变传统车辆的行驶模式。机器绘制家中的地图，对口头命令做出反应，执行常规的家务。在线约会服务中，算法负责促成浪漫的相会。机器有可能更多得替代人类承担起照顾老人和小孩的工作。自治体正影响着我们的集体行为（collective behaviours），从群体层面的配合行为到共享行为。延伸一下，虽然发展自动武器是高度限制的，但不是所有人都不都这么想，如果这类武器被发明了，机器将在战争中决定人的生死。在线约会服务中，算法匹配人的连接算法的复杂性和不透明性即便个别算法是相对简单的，研究像人工智能系统这样多样且广泛的对象的行为是件难以想象的困难事情。输出难以解释目前，单个人工智能体的复杂性已经很高，并且在持续增长，虽然构架它们的代码和训练模型用的训练可以简洁，但是训练后的模型就完全不会有这么简单了，这经常导致 “黑箱（black boxes）” 的产生。人工智能体接受输入，然后输出，但是即便在 “可解释性（interpretability）” 上的一些应用场景已经有了进展的现状下，人工智能体实际产生这些输出的过程是架构它们的科学家自己也难解释的。数据集的收集与版权限制此外，当系统从数据中学习，它们的失败通常被归结为数据本身或者数据收集上的谬误，导致一些关于改进数据收集机制的讨论。数据集的维度和数据量这一层面也增加了我们理解人工智能的难度。更进一步使得这个问题棘手的现实是，很多在社会中使用频率最高的源代码、模型、数据集实际上是有版权的。为智慧资产而存在的工业保密政策和法律保护着这些源代码和模型。在很多场景下，公众只能观察到 AI 系统的输入和输出。就算这些代码和模型对我们开源，我们也不太可能就由此能准确预测出这些模型的输出。人工智能体在和周围环境与其他智能单元相互作用的时候可以表现得很 “特立独行”。即便形成它的数学函数是存在解析解的，那这个解析解也会因为冗长复杂的结构而难解其意。原论文图 1算法于人类的利弊无处不在的，日益复杂的算法，它们放大了人类估计和预测它们对个人和社会影响的难度。人工智能体正以意料之中和之外的方式塑造人类的行为和社会结果。造福还是 “造乱”？这是个问题如一些人工智能体被设计用来帮助孩子们，或是帮助老年人安全移动来造福人类。然而，如果这种用来造福人类的力量在” 意料之外的情况下 “偏离了初衷，就会出现类似孩子们被植入广告买特定产品，老年人被固定只能选择特定的电视节目等类似的情况。此类算法对个体的正负面影响可以扩大到社会层面，这种危机感一直萦绕在我们心头。举个例子，不小心传播给一小部分人的政治误报可能在整个社会层面上掀不起什么风浪，但是，这些信息在社交媒体上的植入和扩张则会产生更恶劣的社会后果。更进一步说，关于算法公平性或偏见性问题已经在很多场景，例如计算机视觉、词嵌入、广告、监管、刑事审判和社会服务中存在了。在不断复杂化的人 - 机混合系统的背景下，人类只能自负盈亏为了应对这些问题，从业者有时候被迫做出各种偏见之间的取舍，或者，人类和机器之间的取舍。更多关于算法效果的问题仍然存在，例如网恋算法会如何影响婚姻制度，或者人类和智能算法之间的相互作用是否会系统性的影响人类发展的进程。这些问题在不断复杂化的人类 - 机器混合系统的背景下变得越发难解。为了社会能够监管 AI 可能造成的后续后果，机器行为学家必须提供见解来帮我们理解社会中无处不在的这些系统如何工作，以及代价如何取舍。人 - 机混合系统趋于复杂，算法设计需要机器行为学的指导二、 机器行为学的跨学科研究为了研究机器在现实环境中的行为，特别是 “黑箱” 算法的行为，我们必须整合跨越其他学科的知识和见解。这种整合现在正处于一种不成熟的阶段，现在很多在一种特定方式研究。原论文图 2跨学科研究，使算法性能最大化最近，研究机器行为学的科学家们大多是最初设计这些机器的计算机科学家，机器人学家和工程师。这些科学家可以是熟练的数学家和工程师，但是他们基本上没有行为学上的训练。他们很少接触实验方面的方法论，基于群体的抽样训练，或者基于观察的因果推理，更不用说神经科学、集体行为学或者社会理论了。相反的，即使行为学家更多的在这些方面有建树，但是他们很少掌握对于衡量某个领域中人工智能质量和正当性，或者特定算法所必要的专业知识。整合从各行各业来的科学家不是一件容易的事情。到目前为止，那些创建人工智能系统的人的主要关注点一直是构建、实现和优化智能系统，以执行特定的任务。在很多基准任务上，智能体取得了出色的进展，比如棋盘游戏中的西洋棋、国际象棋、围棋，纸牌游戏比如 poker，电子游戏比如雅达利平台上的（美国游戏制造商），人工智能市场游戏，机器人足球，当然还有基准评价用数据比如 ImageNet 上用于物体识别的数据和 Microsoft Common Objects in Context 为图像标注的数据库。在语音识别，翻译和自动驾驶车等方面的成就也存在。AlphaGo 及其后续改进版接连战胜顶尖棋手，被认为是人工智能算法性能提升的里程碑事件这些测试基准可以作为一些标准化了的任务评价标准，也能用来提升性能，这是用一个代理式的评价标准来帮助 AI 设计者去设计更快、更稳健的算法。机器行为学推崇的评价指标但是，希望算法性能最大化的方法对于人工智能体的研究来讲并不是最佳的。比起利用基准数据集做评价算法性能上的优化，机器行为学家对一系列指标更感兴趣。这就像是社会学家的探索 —— 在社会，政治背景下探索人类行为；定义宏观或微观社会结果的评价来回答例如算法在不同的环境下如何行动，人类和算法的互动会不会影响社会结果之类的问题。随机实验、观察推断和基于群体的统计学描述方法是经常性用在定量行为学研究中的，对于机器行为学来讲极其重要。从制造智能机器的学科延伸整合其他学科的学者可以提供重要方法性工具、研究工具、多种可选的概念性框架，和人工智能体对经济、社会和政治可能造成影响。三、 研究问题和研究对象因创立了动物行为学而获得诺贝尔生理或医学奖的 Nikolaas Tinbergen 指出了四个维度上的行为学分析，帮助解释了动物行为。这些维度讨论一个行为的功能、原理、发展与进化史，提供了一个有组织的框架来研究动物和人类的行为。这个概念化的框架把年轻动物或人类某项行为的发展和群体中这个行为的进化轨迹分开进行研究。这种区分的目的不是为了更好理解我们研究对象的全部。例如，虽然我们通过鸟学习鸣叫或者通过鸟叫的进化都可以来解释一个鸟歌声为什么形成，但是要完全了解鸟叫的全貌，两方面我们都要考虑。虽然机器和动物有着物理本质上的区别，对智慧机器行为研究可以从动物行为的研究上得到帮助。机器有产生行为的内在机制，这些行为在和环境的互动获得信息，得到发展。产生了功能，导致特定的机器变得或多或少出现在它们所对应的环境中，并且它们贯穿过去环境的进化史和人类的决策正不断影响着机器的行为。计算机科学的学者在研究 AI 系统的机理和发展方面已经取得了潜在的收益，即便很多问题仍然存在。AI 系统的功能和进化相对较少受到重视。我们将在讨论这四个主题，并提供图 3 作总结。原论文图 3：计算机科学的学者在研究 AI 系统的机理和发展方面已经取得了潜在的收益，即便很多问题仍然存在。AI 系统的功能和进化相对较少受到重视。行为产生的机理机器行为的最主要的成因应与它的激发条件和它产生的环境有关。例如早期的算法交易软件用简单的规则来激发买卖行为。更复杂的人工智能体可能依赖适应性启发算法或者在特定用途中明确的优化方式。玩纸牌的强化学习算法的行为可以归因于它表示状态空间或者计算游戏树特定的方式。机制由算法和环境共同决定，更复杂的人工智能体例如无人驾驶汽车可能表现出特定的驾驶行为。比如变道、超车、对行人发出信号。这些行为会依据构建起驾驶政策的算法而产生，并且也会从根本上被车的本身的感知和行动系统所改造。包括汽车识别物体的精度和分辨率，分类系统，驾驶的反应能力和精度。因为很多现有的 AI 系统源于使用日益复杂的数据的机器学习手段，研究机器行为背后的机制，如上文所述，将需要继续研究机器学习的可解释性方法。深度学习至今仍是未被打开的黑箱行为的发展在动物行为的研究中，发育指的是个体如何获得特定行为，比如通过模仿或者由于环境条件导致。这区别于长期的、进化性的变化。在机器的背景下，我们想问的是：机器是如何决定个体或者集群的行为的？行为的发展可以直接由于人类工程工作或设计。编程者做出的架构上设计决策（比如学习率参数的值，知识和状态的获取，或卷积神经网络的特定连接方式）确定或影响算法会表现出的行为。机器可能因工程师将其置于特定的训练环境下而塑造特定行为。例如，很多图像和文档分类算法用人手工标记过的数据库作为训练数据来提升算法精度。数据库的选取和它们所包含的特征可以潜在影响这些算法的行为。最后，机器可能会在自己的经验中习得某些行为。例如，一个被训练来优化长期利润的强化学习人工智能体可以因为过去自己的一些行动和市场随后的反馈学到特定的，短线交易策略。同样，商品推荐算法可以根据用户无尽的选择来推荐产品，也能实时更新。功能与适应在动物行为学的研究中，适应值（adaptive value）描述了一个行为能多大程度贡献一个个体生存和留下后代的能力。例如，一个特别的狩猎行为可以或多或少增加狩猎成功度，那么这个行为就可以延长这个生物的生命长度和子代数量，然后它的子代也可能继承它的这种功能。对功能的关注能帮助我们理解为什么一些行为的机制就能发扬光大，但是另外一些随着时间推进渐渐衰弱并消失。功能之所以存在，强烈依赖于行为本身适应环境。在机器的的例子里，我们可以讨论这种行为如何为特定的利益相关群体提供服务。人类环境创造了选择压力，这可能使一些有适应性的智能体变得普遍。成功的（提高适应性）行为获得增值的机会，如被其他类型的软件或者硬件复制走，或者它们本身自己就可以增殖。这背后的根本推动力是一些使用和构架人工智能的机构的成功，如企业、医院、政府和大学。最明显的例子是算法交易，在算法交易中，成功的自动交易策略可以在开发人员从一家公司跳槽到另一家公司时被复制，也可以简单讲，被竞争对手观察和反向架构。这种动力，可以产生出人意料的效果。例如，像最大化社交媒体网站参与度的这样的目标可能会导致信息茧房（filter bubbles），它可能会加剧政治两极分化，又或者在缺少监管的条件下，可能会助长假新闻的扩散。过度使用社交媒体会让我们陷入信息茧房但是，那些没有针对用户参与进行优化的网站也许会比做了这方面工作的网站冷清，或者可能完全停止运营。 同样，在没有外部监管的情况下，不优先考虑自己携带乘客安全的自动驾驶汽车对消费者的吸引力可能较小，导致销量降低。有时机器的某些行为背后的功能是为了应对其他机器的行为。 对抗性攻击，用假输入信息愚弄 AI 系统产生一个不需要的输出。在 AI 系统和被设计用来抵抗这些潜在攻击的反馈中，这些攻击会导致复杂的捕食者 - 食物动力学。这个过程很难仅依赖单独研究机器本身而被理解。这些例子强调了外部组织机构和经济力量所能产生的直接且大量对于机器行为的刺激。理解这些外界刺激和 AI 之间的互动对我们研究机器行为是有关的。反过来，外界的这些市场动态又会与其他过程相互作用，让机器和算法产生进化。进化在研究动物行为的过程中系统发生学描述了一个行为是怎么进化的。在现有功能的基础上，行为是被过去的选择压力所影响的，进化的机制。早期进化机制影响深远例如人类手是由硬骨鱼的鱼鳍所进化而来的。它现如今的功能已经不是为游泳而存在的了，但是它的内部结构能解释发生在它身上的进化史。非选择压力的作用，比如种群的迁移或者遗传漂变也很重要，它们能解释各种不同形式行为之间的关系。在机器的情况下，进化历史也可以产生路径依赖（path dependence），解释其他令人费解的行为。在进化的每一阶段中，算法从各个角度在在新的环境中被重新使用，它可以成为未来可能行为的局限，又使得在这个基础上的其他创新成为可能。例如，微处理器设计的早期设计继续影响现代计算机，并且算法设计中的传统，例如神经网络和贝叶斯状态空间模型，构建了许多假设并通过使一些新的算法相对更容易使用来指导未来的算法革新。因此，某些算法可能会关注某些功能而忽略其他功能，因为这些功能在早期某些程序的成功中至关重要。计算机一直在持续进化机器进化的特殊性一些机器行为可能会广泛传播，因为它是 “可进化的” —— 容易修改并且相对扰动信息很稳健，类似于动物的某些特征可能是广泛存在于各种动物中的，因为这些特征促进了多样性和稳定性。机器行为的进化与动物行为的进化不同，大多数动物的遗传是简单的，两个双亲一次性决定子代。算法要灵活得多，而且它们背后通常有一个带着目的设计者。人类环境通过改变算法的继承体系，强烈地影响着算法的进化过程。AI 复制行为可能被开源软件、网络架构的细节和潜在的训练数据集所促进。例如，为无人驾驶汽车开发软件的公司可能会共享用于目标检测或路径规划，增强后的开源数据库，以及作为这些算法的训练数据集，目的是使增强安全性的软件能够在整个行业推广。通过软件更新，一辆特定的无人驾驶汽车行为中的一个适应性的 “突变” 就有可能立刻传播到数百万其他汽车上。然而，其他机构也会做出限制。例如，软件专利可能会对特定机器行为的复制加以限制。法规限制，比如隐私保护法，可能会阻止机器在决策过程中访问、保存或以其他方式使用隐私相关的信息。这些案例说明机器可能呈现出非常不同的进化轨迹，因为它们不在有机体进化那一套机理的约束之下。四、 三种研究范围：个体、群集与人机交互通过上文和图 3 中所概述的框架，我们现在在三个调查范围内对机器行为的示例进行编目：个体机器、集群、和嵌入处在混合或异构系统的人类社交环境中的机器群组（ 图 4）。 原论文图 4个体机器行为强调算法本身的研究，集体机器行为强调研究机器之间的相互作用，混合人机行为强调研究机器与人类之间的相互作用。 在这里，我们可以类推为对特定物种的研究，研究物种成员之间的相互作用以及物种与更宽泛环境之间的相互作用。 上述三种分析可以解决图 3 中描述的几乎所有问题。个体机器行为对个体机器行为的研究主要集中在特定的智能机器上。这些研究通常侧重于个体机器固有的属性，并且由其源代码或设计驱动。机器学习和软件工程领域目前主要进行这些研究。研究个体机器行为有两种通用方法：第一个侧重于使用机器内（within-machine behaviour）方法分析任一特定机器的行为集，比较特定机器在不同条件下的行为。第二种是机器间方法（between-machine approach），比较各种机器在相同条件下的不同行为。个体机器行为的机器内方法研究了诸如是否存在可以表征任一 AI 在各种环境中的机器内行为的常数，某一 AI 的行为如何随着时间的推移而不断发展，环境因素如何影响机器对特定行为的表征等问题。例如，如果训练特定的底层数据（图 3），算法可能仅表现出某些特定的行为。然后问题在于，当使用与训练数据有显著不同的评估数据时，在模拟决策中对累积概率进行评分的算法是否会出现出乎意料的表征。其他与机内行为特征相关的研究包括对个体机器人恢复行为的研究，算法的 “认知” 属性以及心理学技术在算法行为研究中的应用，以及对机器人特定特征的检查 —— 例如那些旨在影响人类用户的特征。研究单个机器行为的第二种方法探究相同行为在不同机器之间的表现差异。例如，那些对检查智能代理的广告行为感兴趣的人可以调查各种广告平台（及其底层算法），并跨平台进行实验的，以检查同一组广告输入的机器间效应。相同的方法可用于对跨平台的动态定价算法的研究。其他机器间的研究可能会探讨自动驾驶车辆在超车模式中使用的不同行为，或者搜索和救援无人机所展示的各种搜寻行为。群集机器行为相比于对单个机器行为的研究，集体机器行为的研究侧重于机器集群的交互和系统范围的行为。在某些情况下，在考虑集体层面之前，个别机器行为的含义可能没什么意义。欧椋鸟的集群行为机器群集研究大有用处对这些系统的一些调查受到了自然界中集群现象的启发，例如成群的昆虫，或以迁徙的鱼鸟为例的移动群体。例如，我们已经知道的动物群体表现出复杂环境特征的紧急感知和有效的共识决策。在这两种情况下，群体都表现出对环境的认识，这在个体层面是不存在的。诸如多智能体系统和计算博弈理论等领域提供了研究这一领域机器行为的有用例子。使用简单算法进行机器人之间的本地交互的机器人一旦聚合成大型集体，就会产生有趣的行为。例如，学者们已经研究了微型机器人的群体特性，这些特性结合成类似于生物制剂系统中发现的群体聚合现象。其他示例包括实验室（在生命游戏中）以及在真实场景中（如维基百科词条机器人中所见）的算法的集体行为；又如在通信智能机器之间出现的新算法语言，以及完全自主运输系统的动态特性。该领域的许多有趣问题仍有待研究。相关推文：Nature 封面突破性研究：新型仿生群体机器人问世新型仿生机器鱼：从个体仿生到群体智能Science Robotics：无人机的自组织飞行和集群智慧关于集体动物行为和集体机器行为的绝大多数工作都集中在简单智能体之间的交互是如何能够创建更高阶的结构和属性的。尽管这也很重要，但却忽略了这样一个事实：许多生物体，以及越来越多的 AI 智能体，都是具有可能无法简单地表征的行为或相互作用的复杂实体。揭示当相互作用的实体能够进行复杂的认知时出现的额外属性仍然是生物科学中的关键挑战，并且可能与机器行为的研究具有直接的相似性。例如，类似于动物，机器可能表现出 “社交学习”。这种社会学习不需要局限于机器向机器学习，我们也期望机器向人类学习，反之亦然，人类可以从机器的行为中学习。引入的反馈过程可能从根本上改变知识的积累方式，包括跨代，直接地影响人类和机器的 “文化”。机器群集的独特性为，以金融交易为例此外，人工 AI 系统不一定面临与生物相同的限制，机器的集群提供了全新的能力，例如即时性全球通信，就能够带来全新的集体行为模式。相关研究调研了机器集群的特性以及可能从这些复杂的相互作用系统中产生的出人意料的特性。例如，在金融交易环境中已经观察到一些非常有趣的算法集体行为。这些环境在很小的时间尺度上运行，因此算法交易者可以在任何人类交易者之前对事件和其他算法交易者做出效应。在某些条件下，高频能力交易会导致金融市场效率低下。除了前所未有的响应速度之外，机器学习的广泛使用，自主操作和大规模部署的能力都是促使我们相信机器集群的交易行为本质上与人类交易者不同的原因。此外，这些金融算法和交易系统必须在某些历史数据集上进行训练，并对有限的各类预见情景作出反应，从而导致了难以对设计中新出现和无法预见的情况作出反应的问题。 闪电崩盘是（交互）算法无意识后果的典型例子，引出算法的相互作用是否会产生更大的市场危机这一问题。混合人机行为人类越来越多地与机器互动。机器调节我们的社交互动，塑造我们所看到在线信息，并与我们建立足以改变我们社会系统的关系。由于它们的复杂性，这些混合人机系统构成了机器行为中技术上最困难但同时也是最重要的研究领域之一。机器塑造人类行为机器行为研究中最明显但至关重要的领域之一，是将智能机器引入社会系统的方式可以改变人类的信仰和行为。在向工业流程引入自动化，智能机器可以在改善现有问题的过程中产生新的社会问题。在此过程中出现了许多问题，例如用于在线约会的匹配算法是否会改变约会过程的分布结果，或者新闻过滤算法是否会改变公众意见的分布。研究算法中的小错误或使用的数据是否会累积而产生社会性影响，以及我们学校，医院和护理中心的智能机器人如何改变人类发展、生活质量或潜在地影响残疾人士的生活，至关重要。该领域的其他问题涉及到机器用更基本的方式改变社交结构的可能性。例如，政府可以在多大程度上以何种方式使用机器智能来改变民主的性质，政治责任和透明度，或公民参与度。其他问题还包括智能机器在多大程度上影响警务，监视和战争，以及机器人对选举结果的影响有多大以及有助于人类社会关系的人工智能系统能否实现集体行动。点击查看参考文章：别瞧不起僵尸粉：它们真能左右舆论！值得注意的是，该领域的研究还研究了人类如何将机器用作决策辅助工具，人类对使用算法的偏好和厌恶，以及人类机器产生或减少人类不适的程度。这方面的一个重要问题还有人类如何应对随着智能机器增加经济产品和服务的联合生产。了解如何通过将智能机器引入我们的生活中来改变人类系统是机器行为研究的重要组成部分。人类塑造机器行为智能机器可以改变人类行为，人类也可以创造，影响和塑造智能机器的行为。我们通过直接操作 AI 系统以及通过对这些系统进行主动训练和根据人类行为日常产生的数据的被动观察来塑造机器行为。选择使用哪种算法，为这些算法提供什么反馈以及在什么样的数据对它们进行训练目前也是人类的决策，而这可以直接改变机器行为。研究机器行为的一个重要组成部分是理解这些工程过程将如何改变 AI 的最终行为，无论训练数据是否导致机器的特定行为，是算法本身还是算法和数据的组合。图 3 中概述的框架表明，以上的每个问题都有补充答案。探讨如何改变工过程的参数可以改变智能机器的后续行为，因为它们和其他机器及人类的交互是从整体上理解机器行为的核心。人机协作行为尽管将研究分成人类塑造机器的方式会更方便，反之亦然，但大多数人工智能系统在与人类共存的复杂混合系统中起作用。对这些系统的研究具有重要意义的问题包括人机交互特征的行为，如合作、竞争和协调 。例如，人类偏见与 AI 结合会如何改变人类的情感或信仰，人类发展趋势与算法相结合会如何促进信息的传播，如何在大量无人驾驶汽车和人力驱动汽车的混合街道上改变交通模式，以及如何通过人与算法交易智能体之间的交互来改变交易模式，以及哪些因素可以促进人与机器之间的信任与合作。大量的人机协作系统已经应用于人类生产生活该领域的另一个主题涉及机器人和软件驱动的人力自动化。在这里，我们看到两种不同类型的人机交互：一种是机器可以提高人的效率，例如机器人和计算机辅助手术。另一种是机器可以取代人类，例如无人驾驶运输和包裹递送。这引出了一个新的疑问 —— 最终机器是否会在更长时间内进行迭代或增强，以及人机共同行为是否将因此而演变？上述例子强调，与混合人机行为相关的许多问题必须同时研究人类对机器行为的影响与机器对人类行为的影响之间的反馈循环。学者们已经开始研究标准实验室环境中的人机交互，观察到与简单机器人的交互可以增加人类协调性，机器人可以在与人类之间的合作相媲美的水平上直接与人类合作。然而，在人类越来越多地使用算法来做出决策且基于此来训练相同算法的情况下，我们迫切地需要进一步理解自然环境中的反馈回路。此外，在机器行为生态学领域的各种类型的问题中，对于特别强调人类的社会交往方式，可能会被智能机器所影响，我们需要关注这些混合系统的长期动态。五、 展望：机器行为学如何发展？要想最大限度地发挥人工智能对社会的潜在利益，我们就得了解机的行为。如果我们做出将人工智能体融入我们的生活这一有后果的选择，必须依仗我们了解它们对社会可能的影响。为了提供这种理解和预期，我们需要一个新的交叉学科研究研究领域：机器行为学。为了让这个领域顺利发展，我们有许多要考虑的因素。首先，研究机器行为并不意味着 AI 算法需要有独立的代理人，也不意味着算法应该对其行为承担道德责任。如果狗咬人，则狗的主人应当负责。尽管如此，动物行为模式的研究是有助于我们理解和预测这种 “脱轨” 行为的。机器在更大的社会技术框架中运行，其人类利益相关者本质上应对部署它们可能造成的任何损害负责。其次，一些人评论建议将人工智能系统作为个体研究，不用将重点放在对这些人工智能系统进行训练的基础数据上。实际上，解释任何行为都不能完全与训练或开发该人工智能体的环境数据分开；机器行为也不例外。但是，理解机器行为如何因环境输入的改变而变化就像理解生物体的行为根据它们存在的环境而变化一样重要。因此，机器行为学者应该专注于描述不同环境中的人工智能体的行为，就像行为科学家渴望在不同的人口统计和制度环境中描述政治行为一样。第三，机器行为和动物、人类的行为有本质不同，因此我们必须避免过度将机器拟人拟兽。即使借用现有的行为科学方法被证明对机器的研究有效，机器也可能表现出与生命具有的特质不同的，甚至是迥异的行为。此外，剖析和修改 AI 系统可是比修改有生命的系统容易多了。虽然两个体系存在相似之处，但 AI 系统的研究必然会与生命系统的研究有所区别。第四，对机器行为的研究将需要学科间的共同的努力，因为这些研究本身伴随跨学科合作所带来的挑战。应对这些挑战至关重要。大学、政府和资助机构可以在设计大规模，平等和可信的跨学科研究中起到重要作用。第五，针对机器行为的研究通常需要现实条件下的实验来研究人机交互。这些实验介入可能会全面改变系统的行为，可能对一般使用者产生不利影响。诸如此类的道德考虑需要谨慎的监督和标准化框架。最后，研究智能算法或机器人系统可能会给研究机器行为的研究人员带来法律和道德问题。算法的反向工程可能会违反某些平台的服务条款。例如，设置虚假角色或掩盖真实身份。如果研究损害其平台的声誉，那么利益相关的系统的创建者或维护者可能会使研究人员陷入法律责难。此外，尚不清楚违反服务条款是否会使研究人员受到民事或刑事处罚（例如美国的计算机欺诈和滥用法案），这可能会进一步阻碍这类研究。了解人工智能体的行为和性质，以及它们可能对人类系统产生的影响是至关重要的事情。社会发展可以从人工智能提供的效率扶持和决策增强中获益匪浅。与此同时，将 AI 直接 “植入” 日常生活中的潜在缺陷我们也不能视而不见，尽可能避免其副作用，否则研究机器行为学带来的好处可能会摇摇欲坠。机器行为学，是一门研究人工智能如何与人类共存的学科参考文献11. Simon, H. A. The Sciences of the Artifcial (MIT Press, Cambridge, 1969).Simon asks whether there can be a science of the ‘artifcial’ that procesknowledge about artifcial objects and phenomena.2. Milner, R. A modal characterisation of observable machine-behaviour. In Treesin Algebra and Programming, 6th Colloquium 25–34 (Springer, 1981).In this invited lecture, Robin Milner outlines the idea of studying machinebehaviour using formal logic.3. Thomaz, A. L. & Breazeal, C. Teachable robots: understanding human teachingbehavior to build more efective robot learners. Artif. Intell. 172, 716–737 (2008).4. Stone, P. et al. Artifcial Intelligence and Life in 2030. One Hundred Year Study onArtifcial Intelligence: Report of the 2015–2016 Study Panel https://ai100.stanford.e/2016-report (Stanford University, 2016).5. O’Neil, C. Weapons of Math Destruction: How Big Data Increases Inequality andThreatens Democracy (Broadway Books, 2016).This book articulates some of the risks posed by the uncritical use of algorithmsin society and provides motivation for the study of machine behaviour.6. Future of Life Institute. Autonomous weapons: an open letter from AI &robotics researchers. https://futureofife.org/open-letter-autonomousweapons/?cn-reloaded=1(2015).7. Dressel, J. & Farid, H. The accuracy, fairness, and limits of predictingrecidivism. Sci. Adv. 4, eaao5580 (2018).8. Binns, R. et al. ‘It’s recing a human being to a percentage’: perceptions ofjustice in algorithmic decisions. In Proc. 2018 CHI Conference on HumanFactors in Computing Systems 377 (ACM, 2018).9. Hudson, L., Owens, C. S. & Flannes, M. Drone warfare: blowback from the newAmerican way of war. Middle East Policy 18, 122–132 (2011).10. Kahneman, D., Rosenfeld, A. M., Gandhi, L. & Blaser, T. Noise: how to overcomethe high, hidden cost of inconsistent decision making. Harvard Business Reviewhttps://hbr.org/2016/10/noise (2016).11. Kleinberg, J., Lakkaraju, H., Leskovec, J., Ludwig, J. & Mullainathan, S. Humandecisions and machine predictions. Q. J. Econ. 133, 237–293 (2018).12. Crawford, K. et al. The AI Now report: The Social and Economic Implications ofArtifcial Intelligence Technologies in the Near-term. https://ainowinstitute.org/AI_Now_2016_Report.pdf (2016).13. Amodei, D. et al. Concrete problems in AI safety. Preprint at https://arxiv.org/abs/1606.06565 (2016).14. Bakshy, E., Messing, S. & Adamic, L. A. Exposure to ideologically diverse newsand opinion on Facebook. Science 348, 1130–1132 (2015).15. Bessi, A. & Ferrara, E. Social bots distort the 2016 U.S. Presidential electiononline discussion. First Monday 21, 11 (2016).16. Ferrara, E., Varol, O., Davis, C., Menczer, F. & Flammini, A. The rise of social bots.Commun. ACM 59, 96–104 (2016).17. Lazer, D. The rise of the social algorithm. Science 348, 1090–1091 (2015).18. Tufekci, Z. Engineering the public: big data, surveillance and computationalpolitics. First Monday 19, 7 (2014).19. Lee, T.-S. & Chen, I.-F. A two-stage hybrid credit scoring model using artifcialneural networks and multivariate adaptive regression splines. Expert Syst. Appl.28, 743–752 (2005).20. Roszbach, K. Bank lending policy, credit scoring, and the survival of loans.Rev. Econ. Stat. 86, 946–958 (2004).21. Huang, C.-L., Chen, M.-C. & Wang, C.-J. Credit scoring with a data miningapproach based on support vector machines. Expert Syst. Appl. 33, 847–856(2007).22. Tsai, C.-F. & Wu, J.-W. Using neural network ensembles for bankruptcyprediction and credit scoring. Expert Syst. Appl. 34, 2639–2649 (2008).23. Chen, L. & Wilson, C. Observing algorithmic marketplaces in-the-wild. SIGecomExch. 15, 34–39 (2017).24. Chen, L., Mislove, A. & Wilson, C. An empirical analysis of algorithmic pricingon Amazon marketplace. In Proc. 25th International Conference on World WideWeb 1339–1349 (International World Wide Web Conferences SteeringCommittee, 2016).25. Hannák, A. et al. Bias in Online freelance marketplaces: evidence fromTaskRabbit and Fiverr. In Proc. ACM Conference on Computer SupportedCooperative Work and Social Computing 1914–1933 (2017).26. Cartlidge, J., Szostek, C., De Luca, M. & Clif, D. Too fast too furious—fasterfnancial-market trading agents can give less efcient markets. In Proc. 4thInternational Conference on Agents and Artifcial Intelligence 126–135 (2012).27. Kearns, M., Kulesza, A. & Nevmyvaka, Y. Empirical limitations on highfrequency trading proftability. J. Trading 5, 50–62 (2010).28. Wellman, M. P. & Rajan, U. Ethical issues for autonomous trading agents. MindsMach. 27, 609–624 (2017).29. Farmer, J. D. & Skouras, S. An ecological perspective on the future of computertrading. Quant. Finance 13, 325–346 (2013).30. Perry, W. L., McInnis, B., Price, C. C., Smith, S. & Hollywood, J. S. PredictivePolicing: The Role of Crime Forecasting in Law Enforcement Operations (RAND,2013).31. Bonnefon, J.-F., Sharif, A. & Rahwan, I. The social dilemma of autonomousvehicles. Science 352, 1573–1576 (2016).32. Kooti, F. et al. Analyzing Uber’s ride-sharing economy. In Proc. 26thInternational Conference on World Wide Web 574–582 (International WorldWide Web Conferences Steering Committee, 2017).33. Zeng, X., Fapojuwo, A. O. & Davies, R. J. Design and performance evaluation ofvoice activated wireless home devices. IEEE Trans. Consum. Electron. 52,983–989 (2006).34. Hendriks, B., Meerbeek, B., Boess, S., Pauws, S. & Sonneveld, M. Robot vacuumcleaner personality and behavior. Int. J. Soc. Robot. 3, 187–195 (2011).35. Hitsch, G. J., Hortasu, A. & Ariely, D. Matching and sorting in online dating.Am. Econ. Rev. 100, 130–163 (2010).36. Finkel, E. J., Eastwick, P. W., Karney, B. R., Reis, H. T. & Sprecher, S. Onlinedating: a critical analysis from the perspective of psychological science.Psychol. Sci. Public Interest 13, 3–66 (2012).37. Park, H. W., Rosenberg-Kima, R., Rosenberg, M., Gordon, G. & Breazeal, C.Growing growth mindset with a social robot peer. In Proc. 2017 ACM/IEEEInternational Conference on Human–Robot Interaction 137–145 (ACM, 2017).38. Bemelmans, R., Gelderblom, G. J., Jonker, P. & de Witte, L. Socially assistiverobots in elderly care: a systematic review into efects and efectiveness. J. Am.Med. Dir. Assoc. 13, 114–120 (2012).39. Shirado, H. & Christakis, N. A. Locally noisy autonomous agents improve globalhuman coordination in network experiments. Nature 545, 370–374 (2017).In this human–machine hybrid study, the authors show that simplealgorithms injected into human gameplay can improve coordinationoutcomes among humans.40. Pichai, S. AI at Google: Our Principles. Google Blog https://blog.google/topics/ai/ai-principles/ (2018).41. Rof, H. M. The strategic robot problem: lethal autonomous weapons in war.J. Mil. Ethics 13, 211–227 (2014).42. Krishnan, A. Killer Robots: Legality and Ethicality of Autonomous Weapons(Routledge, 2016).43. Voosen, P. The AI detectives. Science 357, 22–27 (2017).44. Szegedy, C. et al. Intriguing properties of neural networks. Preprint at https://arxiv.org/abs/1312.6199 (2013).45. Zhang, Q.-S. & Zhu, S.-C. Visual interpretability for deep learning: a survey.Front. Inf. Technol. Electronic Eng. 19, 27–39 (2018).46. Doshi-Velez, F. & Kim, B. Towards a rigorous science of interpretable machinelearning. Preprint at https://arxiv.org/abs/1702.08608(2017).47. Gebru, T. et al. Datasheets for datasets. Preprint at https://arxiv.org/abs/1803.09010 (2018).48. Mitchell, M. et al. Model cards for model reporting. Preprint at https://arxiv.org/abs/1810.03993 (2018).49. Lakkaraju, H., Kamar, E., Caruana, R. & Horvitz, E. Identifying unknownunknowns in the open world: representations and policies for guidedexploration. In Proc. 31st Association for the Advancement of ArtifcialIntelligence Conference on Artifcial Intelligence 2 (2017).50. Johnson, N. et al. Abrupt rise of new machine ecology beyond humanresponse time. Sci. Rep. 3, 2627 (2013).51. Appel, K., Haken, W. & Koch, J. Every planar map is four colorable. Part II:recibility. Illinois J. Math. 21, 491–567 (1977)52. Appel, K. & Haken, W. Every planar map is four colorable. Part I: discharging.Illinois J. Math. 21, 429–490 (1977).53. Westlund, J. M. K., Park, H. W., Williams, R. & Breazeal, C. Measuring youngchildren’s long-term relationships with social robots. In Proc. 17th ACMConference on Interaction Design and Children 207–218 (ACM, 2018).54. Lorenz, T., Weiss, A. & Hirche, S. Synchrony and reciprocity: key mechanismsfor social companion robots in therapy and care. Int. J. Soc. Robot. 8, 125–143(2016).55. Vosoughi, S., Roy, D. & Aral, S. The spread of true and false news online.Science 359, 1146–1151 (2018).This study examines the complex hybrid ecology of bots and humans onTwitter and fnds that humans spread false information at higher ratesthan bots.56. Lazer, D. M. J. et al. The science of fake news. Science 359, 1094–1096 (2018).57. Roberts, M. E. Censored: Distraction and Diversion Inside China’s Great Firewall(Princeton Univ. Press, 2018).58. Corbett-Davies, S., Pierson, E., Feller, A., Goel, S. & Huq, A. Algorithmic decisionmaking and the cost of fairness. In Proc. 23rd ACM SIGKDD InternationalConference on Knowledge Discovery and Data Mining 797–806 (ACM, 2017).59. Kleinberg, J., Mullainathan, S. & Raghavan, M. Inherent trade-ofs in the fairdetermination of risk scores. Preprint at https://arxiv.org/abs/1609.05807(2016).60. Buolamwini, J. & Gebru, T. Gender shades: intersectional accuracy disparitiesin commercial gender classifcation. In Proc. 1st Conference on Fairness,Accountability and Transparency (eds Friedler, S. A. & Wilson, C.) 81, 77–91(PMLR, 2018).61. Bolukbasi, T., Chang, K.-W., Zou, J. Y., Saligrama, V. & Kalai, A. T. Man is tocomputer programmer as woman is to homemaker? Debiasing wordembeddings. In Proc. Advances in Neural Information Processing Systems4349–4357 (2016).62. Caliskan, A., Bryson, J. J. & Narayanan, A. Semantics derived automaticallyfrom language corpora contain human-like biases. Science 356, 183–186(2017).63. Sweeney, L. Discrimination in online ad delivery. Queueing Syst. 11, 10(2013).64. Ensign, D., Friedler, S. A., Neville, S., Scheidegger, C. & Venkatasubramanian, S.Runaway feedback loops in predictive policing. Preprint at https://arxiv.org/abs/1706.09847 (2017).65. Angwin, J., Larson, J., Mattu, S. & Kirchner, L. Machine bias. ProPublica https://www.propublica.org/article/machine-bias-risk-assessments-in-criminalsentencing(2016).66. Chouldechova, A., Benavides-Prado, D., Fialko, O. & Vaithianathan, R. A casestudy of algorithm-assisted decision making in child maltreatment hotlinescreening decisions. In Proc. 1st Conference on Fairness, Accountability andTransparency (eds Friedler, S. A. & Wilson, C.) 81, 134–148 (PMLR, 2018).67. Jennings, N. R. et al. Human–agent collectives. Commun. ACM 57, 80–88(2014).68. Campbell, M., Hoane, A. J. & Hsu, F.-H. Deep blue. Artif. Intell. 134, 57–83(2002).69. Schaefer, J. et al. Checkers is solved. Science 317, 1518–1522 (2007).70. Silver, D. et al. Mastering the game of Go with deep neural networks and treesearch. Nature 529, 484–489 (2016).71. Silver, D. et al. Mastering the game of Go without human knowledge. Nature550, 354–359 (2017).72. Bowling, M., Burch, N., Johanson, M. & Tammelin, O. Heads-up limit hold’empoker is solved. Science 347, 145–149 (2015).73. Bellemare, M. G., Naddaf, Y., Veness, J. & Bowling, M. The arcade learningenvironment: an evaluation platform for general agents. J. Artif. Intell. Res. 47,253–279 (2013).74. Wellman, M. P. et al. Designing the market game for a trading agentcompetition. IEEE Internet Comput. 5, 43–51 (2001).75. Kitano, H., Asada, M., Kuniyoshi, Y., Noda, I. & Osawa, E. RoboCup: the robotworld cup initiative. In Proc. 1st International Conference on Autonomous Agents340–347 (ACM, 1997).76. Russakovsky, O. et al. ImageNet large scale visual recognition challenge. Int. J.Comput. Vis. 115, 211–252 (2015).77. Lin, T.-Y. et al. Microsoft COCO: common objects in context. In Proc. EuropeanConference on Computer Vision (eds Fleet, D. et al.) 8693, 740–755 (SpringerInternational Publishing, 2014).78. Davis, J. & Goadrich, M. The relationship between precision–recall and ROCcurves. In Proc. 23rd International Conference on Machine Learning 233–240(ACM, 2006).79. van de Sande, K. E. A., Gevers, T. & Snoek, C. G. M. Evaluating color descriptorsfor object and scene recognition. IEEE Trans. Pattern Anal. Mach. Intell. 32,1582–1596 (2010).80. Papineni, K., Roukos, S., Ward, T. & Zhu, W.-J. BLEU: a method for automaticevaluation of machine translation. In Proc. 40th Annual Meeting on Associationfor Computational Linguistics 311–318 (Association for ComputationalLinguistics, 2002).81. Zhou, Z., Zhang, W. & Wang, J. Inception score, label smoothing, gradientvanishing and -log(D(x)) alternative. Preprint at https://arxiv.org/abs/1708.01729 (2017).82. Epstein, Z. et al. Closing the AI knowledge gap. Preprint at https://arxiv.org/abs/1803.07233 (2018).83. Tinbergen, N. On aims and methods of ethology. Ethology 20, 410–433 (1963).84. Nesse, R. M. Tinbergen’s four questions, organized: a response to Bateson andLaland. Trends Ecol. Evol. 28, 681–682 (2013).85. Das, R., Hanson, J. E., Kephart, J. O. & Tesauro, G. Agent–human interactions inthe continuous double auction. In Proc. 17th International Joint Conference onArtifcial Intelligence 1169–1178 (Lawrence Erlbaum, 2001).86. Deng, Y., Bao, F., Kong, Y., Ren, Z. & Dai, Q. Deep direct reinforcement learningfor fnancial signal representation and trading. IEEE Trans. Neural Netw. Learn.Syst. 28, 653–664 (2017).87. Galceran, E., Cunningham, A. G., Eustice, R. M. & Olson, E. Multipolicydecision-making for autonomous driving via changepoint-based behaviorprediction: theory and experiment. Auton. Robots 41, 1367–1382 (2017).88. Ribeiro, M. T., Singh, S. & Guestrin, C. Why should I trust you? Explaining thepredictions of any classifer. In Proc. 22nd ACM SIGKDD InternationalConference on Knowledge Discovery and Data Mining 1135–1144 (ACM, 2016).89. Smilkov, D., Thorat, N., Kim, B., Viégas, F. & Wattenberg, M. SmoothGrad:removing noise by adding noise. Preprint at https://arxiv.org/abs/1706.03825 (2017).90. Nevmyvaka, Y., Feng, Y. & Kearns, M. reinforcement learning for optimizedtrade execution. In Proc. 23rd International Conference on Machine Learning673–680 (ACM, 2006).91. Nguyen, T. T., Hui, P.-M., Harper, F. M., Terveen, L. & Konstan, J. A. Exploring theflter bubble: the efect of using recommender systems on content diversity. InProc. 23rd International Conference on World Wide Web 677–686 (ACM, 2014).92. Dalvi, N. & Domingos, P. Mausam, Sanghai, S. & Verma, D. Adversarialclassifcation. In Proc. Tenth ACM SIGKDD International Conference onKnowledge Discovery and Data Mining 99–108 (ACM, 2004).93. Globerson, A. & Roweis, S. Nightmare at test time: robust learning by featuredeletion. In Proc. 23rd International Conference on Machine Learning 353–360(ACM, 2006).94. Biggio, B. et al. Evasion attacks against machine learning at test time. In Proc.Joint European Conference on Machine Learning and Knowledge Discovery inDatabases 387–402 (Springer, 2013).95. Tramèr, F. et al. Ensemble adversarial training: attacks and defenses. Preprintat https://arxiv.org/abs/1705.07204(2017).96. Parkes, D. C. & Wellman, M. P. Economic reasoning and artifcial intelligence.Science 349, 267–272 (2015).97. Wagner, A. Robustness and Evolvability in Living Systems (Princeton Univ. Press,2013).98. Edwards, H. & Storkey, A. Censoring representations with an adversary.Preprint at https://arxiv.org/abs/1511.05897(2015).99. Zemel, R., Wu, Y., Swersky, K., Pitassi, T. & Dwork, C. learning fairrepresentations. In Proc. International Conference on Machine Learning325–333 (2013).100. Feldman, M., Friedler, S. A., Moeller, J., Scheidegger, C. & Venkatasubramanian,S. Certifying and removing disparate impact. In Proc. 21th ACM SIGKDDInternational Conference on Knowledge Discovery and Data Mining 259–268(ACM, 2015).101. Cully, A., Clune, J., Tarapore, D. & Mouret, J.-B. Robots that can adapt likeanimals. Nature 521, 503–507 (2015).This study characterizes a robot driven by an adaptive algorithm that mimicsthe adaptation and behaviours of animals.102. Bongard, J., Zykov, V. & Lipson, H. Resilient machines through continuousself-modeling. Science 314, 1118–1121 (2006).103. Leibo, J. Z. et al. Psychlab: a psychology laboratory for deep reinforcementlearning agents. Preprint at https://arxiv.org/abs/1801.08116(2018).In this study, the authors use behavioural tools from the life sciences in thestudy of machine behaviours.104. Subrahmanian, V. S. et al. The DARPA Twitter bot challenge. Preprint athttps://arxiv.org/abs/1601.05140(2016).105. Carrascosa, J. M., Mikians, J., Cuevas, R., Erramilli, V. & Laoutaris, N. I. Alwaysfeel like somebody’s watching me: measuring online behavioural advertising.In Proc. 11th ACM Conference on Emerging Networking Experiments andTechnologies 13 (ACM, 2015).106. Datta, A., Tschantz, M. C. & Datta, A. Automated Experiments on Ad PrivacySettings. Proc. Privacy Enhancing Technologies 2015, 92–112 (2015).107. Giusti, A. et al. A machine learning approach to visual perception of forest trailsfor mobile robots. IEEE Robot. Autom. Lett. 1, 661–667 (2016).108. Berdahl, A., Torney, C. J., Ioannou, C. C., Faria, J. J. & Couzin, I. D. Emergentsensing of complex environments by mobile animal groups. Science 339,574–576 (2013).109. Couzin, I. D. et al. Uninformed indivials promote democratic consensus inanimal groups. Science 334, 1578–1580 (2011).110. Rubenstein, M., Cornejo, A. & Nagpal, R. Programmable self-assembly in athousand-robot swarm. Science 345, 795–799 (2014).111. Kernbach, S., Thenius, R., Kernbach, O. & Schmickl, T. Re-embodiment ofhoneybee aggregation behavior in an artifcial micro-robotic system. Adapt.Behav. 17, 237–259 (2009).112. Bak, P., Chen, K. & Creutz, M. Self-organized criticality in the ‘Game of Life’.Nature 342, 780–782 (1989).113. Tsvetkova, M., García-Gavilanes, R., Floridi, L. & Yasseri, T. Even good bots fght:the case of Wikipedia. PLoS ONE 12, e0171774 (2017).114. Lazaridou, A., Peysakhovich, A. & Baroni, M. Multi-agent cooperation and theemergence of (natural) language. Preprint at https://arxiv.org/abs/1612.07182 (2016).115. Budish, E., Cramton, P. & Shim, J. The high-frequency trading arms race:frequent batch auctions as a market design response. Q. J. Econ. 130,1547–1621 (2015).116. Kirilenko, A. A. & Lo, A. W. Moore’s law versus Murphy’s law: algorithmictrading and its discontents. J. Econ. Perspect. 27, 51–72 (2013).117. Menkveld, A. J. The economics of high-frequency trading: taking stock. Annu.Rev. Financ. Econ. 8, 1–24 (2016).118. Mnsted, B., Sapieyński, P., Ferrara, E. & Lehmann, S. Evidence of complexcontagion of information in social media: an experiment using Twitter bots.PLoS ONE 12, e0184148 (2017).This study presents an experimental intervention on Twitter using bots andprovides evidence that information difusion is most accurately described bycomplex contagion.119. Bainbridge, L. Ironies of automation. Automatica 19, 775–779 (1983).120. Jeong, S., Breazeal, C., Logan, D. & Weinstock, P. Huggable: the impact ofembodiment on promoting socio-emotional interactions for young pediatricinpatients. In Proc. 2018 CHI Conference on Human Factors in ComputingSystems 495 (ACM, 2018).121. Kory Westlund, J. M. et al. Flat vs. expressive storytelling: young children’slearning and retention of a social robot’s narrative. Front. Hum. Neurosci. 11,295 (2017).122. Salisbury, E., Kamar, E. & Morris, M. R. Toward scalable social alt text:conversational crowdsourcing as a tool for refning vision-to-languagetechnology for the blind. Proc. 5th AAAI Conference on Human Computation andCrowdsourcing (2017).123. Awad, E. et al. The Moral Machine experiment. Nature 563, 59–64 (2018).124. Dietvorst, B. J., Simmons, J. P. & Massey, C. Algorithm aversion: peopleerroneously avoid algorithms after seeing them err. J. Exp. Psychol. Gen. 144,114–126 (2015).125. Gray, K. & Wegner, D. M. Feeling robots and human zombies: mind perceptionand the uncanny valley. Cognition 125, 125–130 (2012).126. Brynjolfsson, E. & Mitchell, T. What can machine learning do? Workforceimplications. Science 358, 1530–1534 (2017).127. Christiano, P. F. et al. Deep reinforcement learning from human preferences. InProc. Advances in Neural Information Processing Systems 30 (eds Guyon, I. etal.) 4299–4307 (Curran Associates, 2017).128. Tsvetkova, M. et al. Understanding human–machine networks: a crossdisciplinary survey. ACM Comput. Surv. 50, 12:1–12:35 (2017).129. Hilbert, M., Ahmed, S., Cho, J., Liu, B. & Luu, J. Communicating withalgorithms: a transfer entropy analysis of emotions-based escapes fromonline echo chambers. Commun. Methods Meas. 12, 260–275 (2018).130. Kramer, A. D. I., Guillory, J. E. & Hancock, J. T. Experimental evidence ofmassive-scale emotional contagion through social networks. Proc. Natl Acad.Sci. USA 111, 8788–8790 (2014).131. Kamar, E., Hacker, S. & Horvitz, E. Combining human and machine intelligencein large-scale crowdsourcing. in Proc. 11th International Conference onAutonomous Agents and Multiagent Systems 467–474 (InternationalFoundation for Autonomous Agents and Multiagent Systems, 2012).132. Jackson, M. The Human Network: How Your Social Position Determines YourPower, Beliefs, and Behaviors (Knopf Doubleday, 2019).133. Crandall, J. W. et al. Cooperating with machines. Nat. Commun. 9, 233 (2018).This study examines algorithmic cooperation with humans and provides anexample of methods that can be used to study the behaviour of human–machine hybrid systems.134. Wang, D., Khosla, A., Gargeya, R., Irshad, H. & Beck, A. H. Deep learning foridentifying metastatic breast cancer. Preprint at https://arxiv.org/abs/1606.05718 (2016).135. Pentland, A. Social Physics: How Social Networks Can Make Us Smarter(Penguin, 2015).136. Lazer, D. et al. Computational social science. Science 323, 721–723 (2009).137. Aharony, N., Pan, W., Ip, C., Khayal, I. & Pentland, A. Social fMRI: investigatingand shaping social mechanisms in the real world. Pervasive Mobile Comput. 7,643–659 (2011).138. Ledford, H. How to solve the world’s biggest problems. Nature 525, 308–311(2015).139. Bromham, L., Dinnage, R. & Hua, X. Interdisciplinary research has consistentlylower funding success. Nature 534, 684–687 (2016).140. Kleinberg, J. & Oren, S. Mechanisms for (mis)allocating scientifc credit.In Proc. 43rd Annual ACM Symposium on Theory of Computing 529–538(ACM, 2011).141. Kannel, W. B. & McGee, D. L. Diabetes and cardiovascular disease. TheFramingham study. J. Am. Med. Assoc. 241, 2035–2038 (1979).142. Kraft, P. M., Macy, M. & Pentland, A. Bots as virtual confederates: design andethics. In Proc. 2017 ACM Conference on Computer Supported Cooperative Workand Social Computing 183–190 (ACM, 2017).143. Meyer, M. N. Two cheers for corporate experimentation: The A/B illusionand the virtues of data-driven innovation. Colorado Technol. Law J. 13, 273(2015).144. Xing, X. et al. Take this personally: pollution attacks on personalized services.In Proc. 22nd USENIX Security Symposium 671–686 (2013).145. Patel, K. Testing the limits of the First Amendment: how a CFAA prohibition ononline antidiscrimination testing infringes on protected speech activity.Columbia Law Rev. https://doi.org/10.2139/ssrn.3046847(2017).1本文经授权转载自集智俱乐部，ID: swarma_org翻译：惠惠、陈曦审校：郭瑞东编辑：王怡蔺原文地址：https://www.nature.com/articles/s41586-019-1138-y#Abs1

2017年9月19日由分布在世界各地的21个经验丰富的神经科学小组正式成立国际脑研究实验室（International Brain Laboratory）。该研究团队在2020年1月17日在bioRxiv上发文，表明在该视觉决策任务中，可通过自动化训练协议与标准化的实验装置，软件和程序来实现可重复性。研究团队也提供详细的说明和开源工具，以在其他实验室中建立和实施的方法。这些结果为啮齿动物行为的可重复性建立了新的标准，并为研究决策提供了方便的工具。图源：Wired随着认知神经科学的发展，科学家对大脑不同脑区，不同神经网络在认知抉择这一重要的高级行为中的功能有了比较深刻的了解。前额皮层、后顶叶皮层、眶额皮层等相关的感觉皮层（听觉皮层、视觉皮层、嗅皮层等）以及皮层下脑组织（腹侧背盖区VTA，纹状体等）在决策行为学中起到了重要且不同的作用。全世界许多的研究小组利用了利用了内核相同或相似但表现形式不尽相同的决策相关行为学范式来进行研究。包括头部固定（或自由移动）的听觉依赖频率（或响度）决策实验，视觉依赖的闪光频率相关决策实验等。应对这一挑战的主要障碍是我们不了解神经系统如何协同工作以支持决策性行为。决策性行为需要处理注意力集中的感官信息，做出决策，采取行动并从这些行动的结果中学习。这些要求大脑将先前经验、当前的感官刺激以及内部环境中的大量信息结合起来。这些涉及局部环路内以及多个大脑区域中数百万个神经元之间的动态相互作用。许多成熟的课题组往往会利用一套自己实验室搭建成熟的决策相关行为学装置进行一系列的研究并发表一系列的成果。这样的形式会在信息共享与传递上出现一些问题。毕竟，一个再大的研究小组很难在很快的时间内利用一个范式将大脑中所有与决策相关的不同脑区、环路、不同类型神经元、神经递质等不同层次的研究进行系统性研究并从中找到更深层次的规律来撬动决策相关领域认知世界的边界。而对于其他研究小组来说想要利用该小组相同的实验行为模型进行深入的研究往往可行性不高，两个实验室有可能因为地理环境、实验室内部环境不同，实验装置、实验流程的细微差别（很多情况下无法100%体现在发表成果的method中），实验小鼠品系等一系列的区别最后导致结果的偏差。这对每个研究结果的传播、科研小组相互交流、信息共享架起了一道无法跨越的高墙。（一篇涉及到动物行为学相关的研究结果很难也很少会被其他同行的课题组重现出来）于是，2017年9月19日由分布在世界各地的21个经验丰富的神经科学小组正式成立国际脑研究实验室（International Brain Laboratory）。该庞大的研究团队通过推出一种开源的标准化且可重现的视觉决策相关行为学范式。在随后的两年多的时间里，各个课题组都利用该标准化的行为范式对不同脑区在认知决策中的功能进行探究。研究组对不同的实验小组所发表的数据进行整理，拟在2020年9月首次公开发布该决策行为范式下小鼠的全脑的电生理活动图谱与相关行为学数据。该研究团队在2020年1月17日在bioRxiv上发文，表明在该视觉决策任务中，可通过自动化训练协议与标准化的实验装置，软件和程序来实现可重复性。他们收集了在三个国家/地区的六个不同研究机构的七个实验室中对101只小鼠进行的该行为范式实验，并获得了300万次小鼠的选择。数据表明，在受过训练的小鼠中，行为学上表现的差异在同一实验室内或者是不同实验室之间没有明显差别。心理曲线显示整个实验室的视觉阈值，区分度或失误率无显着差异。而且，当刺激位置的不对称概率在随时间变化时，跨实验室的小鼠也采用了类似的策略。该研究团队也提供详细的说明和开源工具，以在其他实验室中建立和实施的方法。视觉决策行为范式该行为范式利用小鼠作为实验对象。首先将小鼠头部固定在行为装置上，训练小鼠利用前方的轮子操控在屏幕左侧（或右侧）出现的光栅图像使其移动到屏幕的正中间。当小鼠完全学会该任务后，同时在屏幕左右呈现对比度不同的两个光栅（即图像的亮暗不同），让小鼠进行抉择。在大数次试验后可以绘制小鼠的在该决策下的心理测试曲线。这些结果为啮齿动物行为的可再现性建立了新的标准，并为研究决策提供了方便的工具。期待文章的正式发表，也期待后续更加规范的实验！参考文献：1.The International Brain Laboratory, et al. A standardized and reprocible method to measure decision-making in mice. bioRxiv2020.01.17.909838 (2020). doi:10.1101/2020.01.17.9098382.The International Brain Laboratory. An International Laboratory for Systems and Computational Neuroscience.Neuron NeuroView. (2018). doi:10.1016/j.neuron.2017.12.0133Burgess, C. P. et al.High-Yield Methods for Accurate Two-Alternative Visual Psychophysics in Head-Fixed Mice Resource High-Yield Methods for Accurate Two-Alternative Visual Psychophysics in Head-Fixed Mice. 2513–2524 (2017). doi:10.1016/j.celrep.2017.08.047作者信息编译作者：Soda（brainnews创作团队）校审：Simon（brainnews编辑部）