自然化计算认知科学：面向可泛化模型与理论的通用自然行为捕获

如何构建能够跨越自然情境和行为范围的可泛化认知理论？我们认为，人工智能（AI）的最新进展为认知科学提供了及时的机遇，使其能够拥抱日益自然化的刺激、任务和行为实验，并采用能够适应这些变化的计算模型。我们首先综述了跨神经科学、认知科学和 AI 的一系列研究表明，纳入更广泛的自然化实验范式，以及容纳这些范式的模型，可能是解决某些自然智力问题并确保理论泛化所必需的。我们回顾了认知科学和神经科学中，自然化范式引发不同行为或激活不同过程的案例。随后，我们讨论了 AI 最近的进展，表明从自然化数据学习会产生不同于常规方法的行为模式和泛化结果，并检视了这些发现如何影响我们从认知建模中所得的结论，并可为认知和神经现象的根源提出新假设。我们随后建议，将 AI 和认知科学的最新进展相结合，将使我们能够在不牺牲实验控制或追求理论基础理解的前提下，更自然地地接触自然化现象。我们提供了关于方法论实践如何为自然化计算认知科学的累积性进步提供实用指导，并示范了一条通往构建解决自然认知实际问题的计算模型的路径，以及这些模型背后潜在的底层过程和原理的还原性理解。