？我们再看看知乎上的问题，10亿美元和一只会追人的蜗牛？这个看似荒谬的问题来自诺贝尔奖获得者卡尼曼等人在1979年提出的前景理论。得到100美元的概率为20%，或者50美元的概率为80%。如果面临这样的选择，你会选择哪个？前景理论认为，人们在面对收益时往往是谨慎的，不愿冒险；当他们失败时，他们非常不愿意冒险。失去的痛苦远远大于获得的快乐。选择，是每个人无数次面临的问题。从个人的衣食住行到国际外交联盟，选择或决定无处不在。.很多时候，选择或决定是困难的。人们不仅面临许多困境，还经常受到情绪、偏好、认知水平等因素的影响。如果让AI替你做决定，你会听他的吗？《科学》（科学）杂志最近发表了一篇文章，利用大数据为人类做决策。这篇文章的两位作者是上海大学悉尼商学院副教授何立生博士和宾夕法尼亚大学的SudeepBhatia。何立生博士于2020年加入上海外国语大学国际工商管理学院，任工商管理系助理教授。2017年毕业于英国华威商学院行为科学系，获管理学博士学位。他是宾夕法尼亚大学的博士后研究员（2017-2020）。主要研究方向为行为经济学和决策神经科学。研究课程包括决策行为与心理学、人类学习行为、风险决策、跨期决策、社会决策的心理与认知神经机制。研究论文发表于PsychologicalReview、CognitivePsychology等国际顶尖心理学期刊，并担任PsychologicalReview、Decision、JournalofExperimentalPsychology:General、CognitivePsychology、JournalofMathematicalPsychology等国际知名期刊审稿人等。根据文章第一作者SudeepBhatia的说法，这些理论本身仅在精选的小数据集上进行了测试，很少与大数据集模型进行比较。鉴于决策研究的跨学科历史和风险选择的复杂性，这是不可避免的：政策制定者很容易对偏离预期效用的情况进行心理解释。此外，许多新的理论模型往往与以前发表的模型相似，许多理论在基准数据集上相互模仿彼此的预测。何立生表示，虽然新的理论模型正在加速生成，但这些数据集的预测精度在过去20年里几乎没有提高。其根本原因是我们认知系统的高度复杂性。风险决策看似简单。如果你问大学生或高中生如何做出冒险的决定，他们中的大多数人可能会说我们计算出每个选项的期望值，然后选择期望值最高的选项。但风险决策远比这复杂得多，受多种认知和情感因素的影响。前人研究者通过考虑这些影响因素，提出了多种风险决策行为的理论解释模型。在何立生、南丹麦大学PantelisAnalytis教授和宾夕法尼亚大学SudeepBhatia教授的另一项研究中，通过群体智能算法整合了不同的认知和情感因素，我们发现这样的整合模型可以显着改进决策行为。预测能力。这里的综合模型也是一个大模型，其预测精度也超过了前景理论。经过学习和训练，深度神经网络可以模仿人类的行为，甚至可以像人类在做出选择时的非理性行为一样做出非理性行为。因此，用它来预测人类的决策行为，将大大提高预测的准确性。人工智能和认知神经科学的发展将为心理学和决策科学的发展提供有力的研究工具。得益于学术界和工业界大模型的投入，人工智能和认知神经科学近年来发展迅速，涌现出一大批开创性研究，也为其他学科提供了成熟的研究工具。在决策研究中，研究人员研究不同类型的决策，如风险决策、跨期决策、社会决策、博弈决策等。目前，对这些不同决策类型的研究和建模工作往往相互独立。但是，从认知的角度来看，不同类型的决策必然具有共同的认知和情感机制。然而，关于不同决策类型之间相互听觉的建模研究仍然十分匮乏。未来完全有可能通过与人工智能和认知神经科学的融合，实现不同决策类型的互听建模。目前，管理科学越来越倾向于数据驱动的决策。在行业和公共政策等领域，越来越多的公司和组织采用实验方法（如A/B测试）获取经验数据，并对经验数据进行分析，以达到决策优化的目的。然而，目前这种数据驱动的决策存在不小的局限性。一个重要的原因是管理者经常面临一个复杂的动态系统，这是一个复杂的相互交织的因素。但A/B测试等方法收集的数据往往针对特定点，缺乏对复杂决策中多因素相互作用的全局把握，限制了A/B测试实验数据的适用性。机器生成理论可以更多地利用A/B测试等方法收集的数据。更重要的是，机器生成的理论足够灵活，我们可以用真实的数据来训练系统，使其不断逼近真实的管理场景。未来，经过训练的机器生成的理论模型可以自动响应复杂管理场景中的事件。也就是说，机器生成理论有能力将分散的实验数据升华为逻辑上一致的系统，实现复杂管理决策的自动化和智能化。
