北京
导语
集智俱乐部联合山东工商学院副教授高德华、天津大学教授薛霄、北京师范大学教授张江、国防科技大学博士研究生曾利共同发起。读书会自2025年7月8日开始，每周二晚上7:30-9:30进行，预计持续分享8周左右。扫码加入Agent建模与仿真的前沿探索之旅，一起共学、共创、共建、共享「大模型时代下的Agent建模与仿真」社区，共同畅想大模型时代人工社会的未来图景！
作为读书会最后一期分享，讲者将带你进入认知神经科学领域Agent建模的领域，带你体会与社会科学中Agent建模研究的异同。同时，也会重点拆解认知神经科学中强化学习、神经网络等常见计算模型的适用场景与局限，并探讨 AI 时代认知任务从抽象到自然场景的转型，引入大模型并分析其优势、局限。最后会围绕 “大模型能否建模人类认知” 探讨潜力与挑战，总结二者融合的核心价值。
分享背景
认知神经科学是聚焦研究大脑如何支撑各类认知功能的科学领域。近年来，认知神经科学的核心目标——解析大脑如何支撑认知功能，正面临新的机遇与挑战：一方面，传统研究依赖抽象实验任务与单一计算模型，难以完全贴合人类真实认知场景，对复杂认知过程的解释力逐渐受限；另一方面，AI 技术的爆发式发展，尤其是大模型的涌现，不仅为处理高维度脑科学数据、设计自然化实验任务提供了新工具，更催生了 “机器心理学” 等交叉方向，推动认知神经科学从 “研究人类认知” 向 “结合人机认知” 拓展。
与此同时，Agent 建模作为认知神经科学的重要方法，其不同尺度的研究（如聚焦个体认知的微观建模、关注群体交互的宏观建模）长期存在 “侧重差异”—— 社会科学更关注 Agent 间的互动规律，而认知科学需进一步深化对 Agent 自身认知机制的解析。在此背景下，如何整合 Agent 建模的经典框架与大模型的技术优势，突破传统研究瓶颈，成为当前认知神经科学领域亟待探讨的关键问题。
分享简介
本次分享聚焦认知神经科学中的Agent建模展开。首先梳理不同尺度的Agent建模特点——相较于社会科学侧重Agent之间的交互，认知科学更关注Agent本身。
接着立足认知神经科学领域，简要说明其核心研究目标与方法，深入解析强化学习模型、漂移扩散模型、符号模型、神经网络模型等常见计算模型，剖析它们在不同任务中的应用场景与局限性。
随后探讨AI时代认知科学任务范式的变迁：从传统抽象任务逐步转向更自然、贴近真实的任务场景。在此基础上引入大模型相关内容，理性分析其优势与局限，并明确其在认知神经科学中的三大应用方向——作为社会环境组成部分助力人机交互研究、作为工具优化实验设计、作为独立研究主体推动机器心理学发展。
最后，围绕“大模型能否用于建模人类认知”展开思考，探讨其潜力与挑战，最终总结Agent建模与大模型结合的核心要点。
分享大纲
1 不同尺度上的Agent建模
2 认知神经科学中的Agent建模
2.1 认知神经科学简介
2.2 认知神经科学中常见的计算模型
2.3 传统抽象的任务到自然、真实的任务
3 大模型与认知神经科学
3.1 理性看待大模型
3.2 认知神经科学中的大模型
3.2.1 作为社会环境的一部分--人机交互
3.2.2 作为工具优化实验（e.g.生成相关实验材料）
3.2.3 作为独立的研究主体（Machine Psychology）
3.3 用大模型来对人的认知进行建模？
4 总结
核心概念
强化学习模型
神经网络模型
人机交互：人与大模型的交互以及大模型如何影响人，利用大模型生成实验材料
机器心理学：探究大模型的认知
模型与建模：模型是科学假设的具象化载体，建模能助力认知神经科学更深入、精准地探究大脑的认知过程。
AI时代的计算模型：随着计算模型不断发展，其不仅能分析更复杂的数据，还支持设计更贴近真实场景的决策任务。
参考文献
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., Brändle, 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
主讲人介绍
张铄，澳门大学认知与脑科学研究中心，认知与脑科学专业博士，导师为伍海燕教授。本科硕士均就读于南方科技大学，专业分别为物理系与生物医学工程系。
研究方向：大脑中的价值决策过程，认知计算建模，AI与认知心理学
分享时间：2025年9月2日（周二）晚上19:30-21:30
报名后可加入社群交流，也可查看往期读书会回放。
https://pattern.swarma.org/study_group_issue/967?from=wechat
（可开发票）
扫码参与，加入社群，获取系列读书会永久回看权限，与社区的一线科研工作者沟通交流，共同大模型时代的未来人工社会图景。
「大模型时代下的Agent建模与仿真」读书会
集智俱乐部联合山东工商学院副教授高德华、天津大学教授薛霄、北京师范大学教授张江、国防科技大学博士研究生曾利共同发起。读书会自2025年7月8日开始，每周二晚上7:30-9:30进行，预计持续分享8周左右。扫码加入Agent建模与仿真的前沿探索之旅，一起共学、共创、共建、共享「大模型时代下的Agent建模与仿真」社区，共同畅想大模型时代人工社会的未来图景！
核心问题
Agent建模与仿真是什么，核心技术发生了怎样的演变？
大模型时代，Agent建模与仿真会给复杂系统理论带来哪些突破？
大模型如何赋能Agent实现自主思考与动态适应？
大模型驱动的Agent交互会涌现出什么新型的社会现象？
Agent建模与仿真如何改变金融、心理、管理、军事等领域的研究范式？
你将收获
梳理Agent建模与仿真的历史发展脉络与方法论；
掌握一套理解、分析、控制、预测复杂系统的计算实验框架；
掌握基于多主体强化学习的复杂系统优化方法；
领略领域前沿学者的研究体系与科研路径。
详情请见：
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
