当我们看到陌生环境的图像——山间小径、繁忙街道或河流时，能立即判断出行进方式：步行、骑行、泅渡或止步。这看似简单，但大脑如何实现这种行动可能性评估？
博士生Clemens Bartnik与团队通过独特脑活动模式揭示了人类行动预测机制。由计算神经科学家Iris Groen领导的团队还将这种能力与包括ChatGPT在内的多种AI模型进行对比。Groen总结道："AI模型在此方面表现欠佳，仍需向高效人脑学习。"
磁共振成像观测
研究团队利用MRI扫描仪观测受试者观看室内外场景图像时的脑活动。受试者通过按键判断画面诱发的行动意向：行走、骑行、驾驶、游泳、划船或攀爬。
Groen解释："我们试图确认：场景认知是单纯识别物体颜色，还是自动关联行为可能。心理学称后者为'可供性'——如可攀登的阶梯或可奔跑的旷野。"
独特的脑神经活动
研究发现视觉皮层的特定区域激活模式无法用画面可视元素解释。Groen指出："这种神经表征具有唯一性——不仅编码视觉信息，更整合行动可能。"即便未获明确指令，大脑仍自发处理此类信息。"说明动作可能性是自动加工的，"Groen补充，"即便无意识思考环境交互，大脑仍持续记录可供性。"
该研究首次实证"可供性"不仅是心理学概念，更是可测量的脑神经特征。
AI的认知局限
团队对比多种AI算法（包括图像识别模型和GPT-4）的环境行动预测能力，发现其表现逊于人类。Groen说明："经过专项训练的模型能部分逼近人类判断，但其内部计算与人脑模式存在本质差异。"
"即便是顶尖AI模型也难以复现人类的本能判断，"Groen强调，"这说明人类视觉与物理世界的具身经验深度融合。AI缺乏实体存在，无法建立感知与经验的本质联系。"
人脑对AI的启示
研究触及可信AI发展的核心议题。Groen阐述："随着医疗到机器人等领域广泛应用，AI需超越物体识别，实现功能理解。例如灾后搜救机器人需辨识可行路径，自动驾驶需区分自行车道与行车道。"
Groen同时指出AI可持续发展方向："当前训练方法能耗巨大且受限于科技巨头。深入解析人脑高效处理机制，将助推AI向智能化、节能化和人性化演进。"