将注意力转向个人化：基于大脑的 AI 模型

将人类和人工智能相结合为推进我们对信息处理理解提供了强大的途径，因为每个系统都提供了独特的计算洞见。然而，尽管人类-AI 集成前景广阔，但当前的 AI 模型主要是在大规模数据集上训练的，针对 population 水平的性能进行优化，缺乏将其计算与 individual 用户感知语义和神经动力学相匹配的机制。我们展示了将人类行为洞见和毫秒尺度神经数据纳入基于 CLIP 的 fine-tuning 模型，不仅捕捉到了通用和 individualized 的感知方面的特征，还使行为表现提升了一倍多。通过将人类归纳偏见嵌入模型并镜像训练期间的动态神经过程，personalized neural fine-tuning 可以提高对人类相似性判断的预测，并跟踪 individual 神经响应的时间演化。我们的工作建立了一种新型、可解释的框架，用于设计适应性 AI 系统，具有广泛的神经科学、personalized 医学和人机交互的前景。