交流是人類最重要的社會行為之一。我們通過交流來傳遞信息、獲取知識、建立信任、達成共識。不同于競争、合作、共情等高級社會認知功能，我們對複雜交流行為所依賴的認知和神經機制知之甚少。理解交流行為不僅需要對交流信号本身（如表情、手勢、語音、詞義、句法等）進行研究，還需要探索這些信号是如何在具體的社會情境中被靈活使用，表達含義。例如，當一個男孩試圖邀請自己喜歡的女孩約會時，女孩回答“你是個好人”。男孩可能很快意識到女孩的“潛台詞”——她對自己沒興趣，而即便是精通語音和詞義識别的人工智能則很可能完全誤解這句話。
大腦如何因地制宜地編碼和解碼交流信号、傳遞意圖，是一個公認重要卻困難的研究問題。它的困難一方面源自于人類交流行為的高度複雜性，另一方面也由于缺乏定量刻畫其認知與神經機制的工具。早在1975年，哲學家Grice就提出了一個著名的假說，猜測人們通過某些合作性原則來使用語言信号，以達成相互理解 [1]。雖然該“合作原則”被寫進當今幾乎所有語用學教科書的第一章甚至第一段，但一直都作為哲學猜想存在，缺乏直接證據。
beat365官方网站、麥戈文腦科學研究所朱露莎課題組日前将決策神經科學、計算語言學以及博弈論等多學科研究方法相結合，為這一難題開辟了新的定量研究的思路。該研究發現，人類大腦通過靈活、自動、理性地模拟他人的合作行為，來推斷交流信号的潛在含義。這一過程可以在數學上描述為一個基于逆向推理的歸因過程，該推理過程所需的幾種關鍵的認知變量由腹内側前額葉和紋狀體的活動定量表征，為理解社會交流提供了一個簡單、可擴充的認知神經模型。
利用功能性磁共振成像與計算建模等技術手段，研究者在經典的“指代博弈” [2]中探索了人們推斷言外之意的神經計算機制。與常見的“你說我猜”遊戲類似，在該實驗中，信号發送方（說話人）需要選擇顔色或形狀來指代一個目标物體，而信号接收方（聽衆）則需要通過接收到的信号來推斷目标物體。
在上圖的例子中，如果一個“合作的”說話人想指代藍色的方形，那麼他更可能會說“方形”來幫助聽衆理解其用意。因此，當聽衆接收到“藍色”這個詞時，聽衆便可以猜測，說話人希望指代的應該是藍色的圓形，而不是藍色的方形。
這一推理需要聽衆站在說話人的角度，模拟和評估說話人為幫助聽衆理解某用意而選擇某行為的可能性（合作行為），然後由接收到的“果”（交流信号）來反推可能對應的“因”（說話人的意圖） [2, 3]。
那麼，聽衆的大腦是否也采用了類似的“逆向推理”算法來推斷說話人的意圖呢？研究者發現，聽衆大腦的腹内側前額葉可能是一個理性交流信号的“模拟生成器”，靈活且定量地表征了說話人采取各種合作行為的條件概率（例如，為了指代藍色圓形而選擇“藍色”這個詞的可能性）。
有趣的是，在有些情況下，聽衆無需推理，可以由字面含義獲知對方的意圖（如下圖中的例子），聽衆的腹内側前額葉仍然穩定地表征了這一内部模拟信号，意味着對交流夥伴合作行為的模拟也許是一個自動的神經加工過程。
同時，聽衆腹内側前額葉的信号可能投射到雙側紋狀體，在紋狀體中以類似于預期誤差的形式來更新對他人交流意圖的判斷。這一過程和以貝葉斯為代表的逆向推理計算模型高度吻合，說明了交流意圖推斷的潛在神經機制。
長久以來，哲學、語言學、認知科學等領域都對交流中是否存在合作、如何實現合作存在極大分歧，這一研究結果為基于合作原則的理性選擇假說提供了直接的神經證據。該研究框架可以被擴展到更加複雜的自然語言交流，以及更加廣闊的社會知覺與人際決策領域中，用以探索社會信号編碼和解碼所涉及的認知神經過程。
理解言外之意也是人工智能領域開發真實情景下人機交互工具、進行自然語言處理面臨的一大挑戰。刻畫交流意圖推斷的神經計算機制、探索大腦策略性合作的算法，對讓人工智能理解幽默、懂得諷刺、實現有效交流具有啟發意義。
研究結果于2021年3月3日在線發表于《Science Advances》。beat365前沿交叉學科研究院博士研究生米青天為該論文第一作者，beat365官方网站、麥戈文腦研究所以及生命科學聯合中心研究員朱露莎為該文通訊作者，beat365博士研究生王聰以及加州理工學院Colin F. Camerer參與了該工作。該研究得到了國家自然科學基金委，北大-清華生命科學聯合中心的資助。
參考文獻
[1] Grice, H. P. (1975). Logic and Conversation. In P. Cole & J. L. Morgan (Eds.), Syntax and Semantics (Vol. 3, pp. 41–58). New York: Academic Press.
[2] Goodman, N. D., & Frank, M. C. (2016). Pragmatic language interpretation as probabilistic inference. Trends in Cognitive Sciences, 20(11), 818–829.
[3] Friston, K. J., Parr, T., Yufik, Y., Sajid, N., Price, C. J., & Holmes, E. (2020). Generative models, linguistic communication and active inference. Neuroscience and Biobehavioral Reviews, 118, 42–64.
論文鍊接：https://advances.sciencemag.org/content/7/10/eabe6276
2021-03-04