人类在复杂决策中的灵活性远超人工智能，其根源一直是个谜。这项研究通过精巧实验和计算建模，揭示了这种灵活性并非源于某种高级算法，而是大脑在特定计算约束下的理性适应。它为理解人类认知的效率与独特性提供了全新的统一框架。
智能速览
人类决策依赖层级式与反事实两种核心策略。
并行处理瓶颈促使大脑采用层级式分析。
反事实推理虽有噪声，但具有计算合理性。
工作记忆噪声会降低反事实推理的准确性。
仅具备三大约束的RNN模型能完美复刻人类行为。
不同决策策略本质上是对计算限制的连续适应。
精华内容
要解开人类决策灵活性的谜题，关键在于理解大脑深层的计算约束。研究通过设计精巧的迷宫任务，层层剥离出这些限制如何塑造我们的思考路径。
揭示计算瓶颈
研究首先验证了大脑存在并行处理的瓶颈。在要求参与者同时追踪四条独立轨迹的实验中，其表现显著低于理想观察者模型。这一结果表明，大脑无法高效并行处理多条信息流，这促使人们在面对复杂多阶段问题时，转而采用层级式决策策略，将大问题分解为小问题依次解决。
反事实的双刃剑
反事实推理是应对意外情况的关键策略，但并非完美。实验证实，反事实加工存在噪声，即“事后诸葛亮”的过程并不总是准确。然而，这种策略具有计算合理性，人类会根据加工噪声水平动态调整其依赖程度。眼动数据显示，当初始决策困难或出错时，人们会更多地进行反事实推理，修正注视方向。
记忆的隐性影响
工作记忆的噪声是影响决策质量的第三个关键约束。研究发现，工作记忆的容量有限且存在干扰，这会直接降低反事实推理的保真度。这意味着，即便大脑理性地选择使用反事实策略，其效果也会受到工作记忆稳定性的制约，这是导致行为可能出现次优性的内在原因之一。
模型的完美复现
为验证理论，研究团队构建了含128个循环单元的递归神经网络（RNN）。结果发现，只有同时施加并行处理瓶颈、反事实加工噪声和工作记忆噪声三大约束的RNN模型，才能完美复刻人类层级式与反事实相结合的决策策略。更关键的是，该模型的策略会随着噪声水平变化，呈现出从最优到反事实再到层级式的连续过渡，有力地证明了人类决策策略是计算约束下的理性产物。
这项研究的核心价值在于，它将人类决策的灵活性归结为对基本计算约束的理性适应，而非某种神秘的高级认知能力。这一统一框架不仅深化了对人脑的理解，也为人工智能的发展方向提供了启示。未来，我们能否模拟出同样具备这种‘受限之美’的智能体？
