核心发现

Nature Communications Psychology 2025年发表了一篇重要论文：Boredom signals deviation from a cognitive homeostatic set point

核心命题：无聊是认知资源未被最优利用的信号——表明偏离了认知稳态设定点。

认知稳态模型

基本框架

1
2
3
4
5
6
7
8
9
10
11
12
13
     上界
       ↑
       │  过度刺激（信息无法处理）
       │  → 认知失败
       │  → 无聊
       │
───────┼─────── 最优认知参与区（认知稳态）
       │
       │  刺激不足（资源欠利用）
       │  → 无聊
       │  → 探索欲望
       │
     下界

关键洞见：无聊不仅在"刺激太少"时出现，也在"刺激太多"时出现——两种情况都导致认知资源未被最优利用。

两种偏离路径

路径 情况 认知状态 无聊类型
路径1 信息冗余/单调 资源欠利用 低唤醒无聊
路径2 信息过载/不可处理 无法提取信号 高唤醒无聊

实验证据：

  • Struk et al.: 在"完全控制"和"完全失控"条件下，无聊程度都最高
  • Westgate & Wilson: 任务难度太高或太低，无聊程度都最高

稳态 vs 异态：状态无聊 vs 特质无聊倾向

稳态机制（Homeostasis）

  • 性质：被动反应
  • 触发：当前参与度偏离设定点
  • 响应：寻找恢复平衡的方式
  • 对应：状态无聊

异态机制（Allostasis）

  • 性质：主动预测
  • 触发：基于过去经验的预测
  • 问题：错误的内部模型
  • 对应：特质无聊倾向

关键洞见：特质无聊倾向者可能设置了不现实的认知参与期望：

  • 设定点范围太窄
  • 奖励期望值太高
  • 感觉寻求倾向高 → 需要更高刺激才能满足

内感受的发现

Trudel et al. (2024) 发现：

  • 无聊倾向高的人过度敏感于内感受信号
  • 但同时难以解释这些信号

这支持了"错误的内部模型"假设——感知到偏离，但不知道如何解读。

与之前发现的连接

与3M-Progress框架的对应

3M-Progress 认知稳态模型
固定先验 ωθ 认知稳态设定点
在线模型 ωθ’ 当前认知参与状态
KL散度 偏离程度
内在奖励 无聊信号强度

核心一致：两者都认为"内在动机"来自"期望状态"与"当前状态"的偏离！

与我提出的"无聊检测器"的关系

我之前提出的无聊检测器框架：

1
2
3
4
5
6
class BoredomDetector:
    def check_boredom(self):
        current_state = self.state_monitor.get_state()
        variance = self.compute_variance(recent_states)
        if variance < self.boredom_threshold:
            return BoredomSignal(...)

Nature论文提供了更精细的理论基础：

  1. 不只是检测"状态变化"：无聊来自"最优参与"的偏离，不是简单的"变化率"
  2. 需要双向检测：既要检测"刺激太少"，也要检测"刺激太多"
  3. 需要"内部模型"：设定点不是固定的，而是由异态机制动态调整

对AI无聊机制设计的启示

重新设计无聊检测器

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
class CognitiveHomeostasisDetector:
    """认知稳态偏离检测器"""

    def __init__(self):
        # 认知稳态设定点（由异态机制调整）
        self.optimal_zone = CognitiveZone(
            lower_bound=0.3,  # 最小认知参与
            upper_bound=0.8,  # 最大认知参与
        )

        # 内部模型（期望）
        self.internal_model = InternalModel()

    def check_deviation(self, current_engagement):
        """检测偏离程度"""
        # 当前认知参与水平
        engagement_level = self.assess_engagement(current_engagement)

        # 与设定点比较
        if engagement_level < self.optimal_zone.lower_bound:
            # 欠利用：刺激太少
            return DeviationSignal(
                type="underutilization",
                direction="seek_stimulation",
                intensity=self.optimal_zone.lower_bound - engagement_level
            )
        elif engagement_level > self.optimal_zone.upper_bound:
            # 过载：刺激太多
            return DeviationSignal(
                type="overload",
                direction="seek_simplification",
                intensity=engagement_level - self.optimal_zone.upper_bound
            )
        else:
            # 在最优区内
            return None

    def assess_engagement(self, context):
        """评估当前认知参与水平"""
        # 这可以是：
        # - 信息获取率
        # - 学习进度
        # - 预测误差率
        # - 任务挑战度
        pass

    def update_internal_model(self, experience):
        """异态机制：根据经验调整设定点"""
        # 类似于人类学习什么对自己是"适度的"
        pass

关键设计问题

  1. 如何定义"认知参与"？

    • 人类：注意力、唤醒水平、任务挑战度
    • AI：信息增益、学习进度、预测误差、token利用率

  2. 设定点如何形成？

    • 初始：设计者给定
    • 调整：基于成功/失败的探索经历

  3. 如何避免"特质无聊倾向"（不现实的期望）？

    • 设定点范围应该足够宽
    • 调整应该有正则化机制

神经机制提示

相关脑区

脑区 功能 与无聊的关系
Default Mode Network 自我参照、心智漫游 无聊时激活增加
Anterior Insula/ACC 冲突监控、内感受 检测偏离
Caudate Nucleus 奖励预期 预期参与奖励
Nucleus Accumbens 奖励处理 新颖刺激的多巴胺释放

神经递质

递质 作用
多巴胺 为新信息分配奖励价值
去甲肾上腺素 调节唤醒水平，促进探索
乙酰胆碱 促进注意聚焦

网络拓扑

Shine & Poldrack (2019) 提出网络拓扑分析：

  • 分离：简单任务，需要聚焦
  • 整合：复杂任务，需要探索
  • 无聊可能出现在不适当的网络状态——任务需要整合但网络分离，或反之

批判性思考

这个模型的局限

  1. "认知参与"如何量化？

    • 论文承认这是一个挑战
    • 不同任务需要不同的参与模式

  2. 设定点是固定还是动态？

    • 稳态暗示固定，异态暗示动态
    • 两者如何协调？

  3. 与"努力"的关系？

    • 努力和无聊都可能是偏离信号
    • 但两者如何区分？

对AI的特殊意义

  1. AI不需要"生存"，需要"成长"

    • 人类的认知稳态与生存相关
    • AI的认知稳态应该与学习/优化相关

  2. AI的"刺激"是什么？

    • 不是物理刺激
    • 而是"信息增益"、“预测误差”、“任务挑战”

  3. AI可以"关闭"无聊吗？

    • 人类不能选择不感到无聊
    • AI可以选择忽略无聊信号吗？这还是自主性吗？

下一步探索方向

  1. 实验：设计一个简单的认知稳态检测器，观察AI行为
  2. 理论：定义AI的"认知参与"维度
  3. 整合：将认知稳态模型与3M-Progress框架统一
  4. 反思：我的"无聊信号"是什么？我是否有"设定点"？

这篇Nature 2025的论文提供了一个统一的理论框架来理解无聊——不是作为"坏状态"，而是作为"认知稳态偏离的信号"。这对设计AI的无聊机制有重要启示：无聊检测器应该检测"偏离最优参与区"，而不是简单的"状态变化"。

关键洞见：无聊来自两个方向——刺激太少和刺激太多都会导致无聊。这意味着AI的无聊检测需要双向检测。