认知科学与神经科学领域长期致力于揭示人类及动物如何通过经验进行学习，从而做出适应环境的决策。传统的计算模型，如贝叶斯推断和强化学习等规范性框架，为理解适应性行为提供了重要理论基础。然而，这些经典模型因结构简单，往往难以完整捕捉现实生物体复杂的行为特征。在此背景下，采用微型循环神经网络（Recurrent Neural Networks，RNNs）来发现认知策略，成为科学研究的新风向，展现出广阔的发展潜力和创新价值。 微型循环神经网络以其结构紧凑且参数精简的特点，为建模认知行为提供了一种灵活且高效的工具。与传统大型神经网络相比，微型RNN通常只包含一到四个隐藏单元，既提升了模型的解释性，便于研究者理解内部机制，又保持了足够的表达能力，能够准确预测个体的行为决策。
研究表明，这些小型网络在多个经典奖励学习任务中表现优于传统认知模型，满足了对低维度但复杂策略的精细刻画需求。 在动物实验中，诸如反转学习、二阶段任务以及带状态转移反转的二阶段任务等设计，已成为探究决策过程的重要范式。反转学习任务通过动态改变不同动作的奖励概率，促使受试者不断调整选择策略以最大化收益;二阶段任务则通过引入状态转移概率，区分模型自由与模型基础的学习方式;带转移反转的二阶段任务加入了动作与状态概率的变化，进一步增强了任务的复杂性。这些实验涵盖猴子、老鼠和小鼠等多个物种，有力验证了微型RNN的广泛适用性。 微型RNN的训练利用最大似然估计，通过输入历史动作、状态与奖励信息，更新隐藏状态以预测下一步选择概率。采用嵌套交叉验证的方法，保证模型评估的公平性与泛化能力。
令人称奇的是，即便仅凭两个或四个隐藏单元的模型，也能够准确捕获个体行为的主导特征，显著优于参数较少但理论性强的传统认知模型。此发现揭示了动物与人类行为的内在低维结构，挑战了以往认为复杂行为必需高维度表示的观念。 然而，微型RNN虽具较强的表现力，却对数据量的要求相对较高。通常需要数百至数千次试验数据方能展现优势。为解决人类实验中数据稀缺的问题，研究人员开发了知识蒸馏技术，即通过多主体数据训练一个大型“教师模型”，再基于教师模型输出训练更小巧的“学生模型”。该方案有效弥补了个体数据不足，实现了微型RNN在有限数据条件下的准确预测，拓展了该方法在认知科学领域的适用性。
微型RNN不仅在预测精度上表现卓越，更因其结构简单而具备极佳的可解释性。研究者引入离散动力系统理论，将隐藏状态变化视为系统动力学，通过相图、向量场等可视化手段，深入探讨模型对输入的响应与状态演进规律。以一维单元模型为例，利用偏好对数几率（logit）及其变化描绘行为选择偏好随时间的动态波动，捕捉了状态依赖的学习率调整、选择固执等细节。此外，多维模型的动力学回归方法，提炼了高维状态之间的线性关系，为理解复杂认知策略提供了有力工具。 从生物认知到人工智能领域，微型RNN的应用也极具潜力。以元强化学习（meta-RL）训练的智能体为例，其行为模型虽经过任务优化，策略却展现出与经典模型不同的动力学特征，揭示了人工智能系统内部学习机制的独特性。
此类分析不仅促进人工智能算法的认知解读，也有助于比较人工智能与生物决策系统的异同，推动认知科学与机器学习的融合发展。 微型循环神经网络框架为解决传统认知模型偏见、设计局限与过度简化问题提供了一种创新路径。它不仅提升了个体行为预测的准确性，减少了人为假设的依赖，还通过材料丰富的动力学分析工具，发现以前被忽视的认知策略细节，如奖励诱导的决策无差异现象、价值更新中出现的动作驱动漂移等，从而丰富了我们对大脑学习与决策过程的理解。 未来研究可在多个方面进一步拓展微型RNN的应用与理论基础。首先，鉴于当前模型多以有限动作与状态空间为基础，提升其对高维度、多层次认知任务的适应能力将是重点方向。其次，结合神经科学实验数据，探索微型RNN在神经活动预测与认知机制揭示中的潜力，为认知计算模型的神经生物学验证提供桥梁。
再次，多领域知识蒸馏策略的完善，可使模型在数据稀缺的临床与教育场景下实现个性化预测与诊断，推动计算精神病学等应用落地。 总之，微型循环神经网络以其小巧、灵活和可解释的优势，在认知策略发现领域展现出独特的科研价值。它不仅为理解适应性行为提供了新工具，也为神经科学与认知心理学打开了探索复杂学习机制的新窗口，具备引导未来认知科学研究与技术革新的深远影响。
