阿姆斯特丹大学的研究揭示了人脑对环境中"动作可能性"（即可供性）的无意识处理机制，这类认知依赖于大脑对多模态感官信息的整合能力与长期进化形成的神经预测框架。具体而言，当个体面对环境时，顶叶皮层与前运动皮层会自动激活潜在动作方案的模式识别网络，这种神经活动具有以下特征：
1. **情境敏感的预测编码**
大脑通过β频段（13-30Hz）的振荡活动构建动态预测模型，在动作执行前400-600毫秒即可通过前额叶-顶叶网络预激活相关肌肉群的运动模式。这种预测编码不仅整合视觉线索，还融合本体感
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。"