北京
“數據收集效率低得令人發指。”一位認知科學研究者回憶起研究生時代的眼動實驗，語氣里透著無奈。那時為了研究人腦如何實時理解口語，他和同事不得不把沉重的頭戴式眼動儀擰在志愿者腦袋上。校準過程需要一種近乎外科手術的精準：你得根據每個參與者眼皮褶皺的深淺、睫毛的彎曲弧度，反復調整攝像頭的位置。稍有不慎，前期標定便前功盡棄，那一大段視線追蹤數據只能被扔進回收站。
分析數據也不比上門求人輕松。他得打開錄像，手動畫線，一幀一幀地標記志愿者的視線落點，再把每一道光標的跳動與耳機里某個單詞的起始時刻精準對齊。一個人的數據，常常就要耗掉好幾個小時的苦力。好在，這番笨拙而昂貴的工作，最終撬開了語言科學中一直緊閉的大門：它告訴人們，大腦是如何把聽到的話和看到的畫面拼接起來的。只不過代價是時間、耐性，以及一點點卑微到塵土里的運氣。
今天的研究生們大概很難體會這種“數據苦難史”。眼動追蹤設備早已瘦身不少，自動化分析程序把那些曾讓人崩潰的手工活變成了一個點擊。更省心的是，亞馬遜的Mechanical Turk等眾包平臺，讓實驗徹底甩掉了物理實驗室——研究者坐在自家沙發上，就能一次招募數千名受試者，用輕輕一記回車代替曾經搗鼓半天的螺絲刀。
然而科學的效率曲線并沒有停下。最近，行為科學圈的一個新動向讓非科學界的朋友坐不住了：在某些初步探索中，人類的位子或許可以被AI替身所取代。替身不是什么仿生機器人，而是你耳熟能詳的大語言模型（LLM）。在一項研究估算里，用AI代理完成探索性實驗的成本僅為2125美元；而如果全程使用真人，預期賬單是37.5萬美元——兩相比較，像開著經濟型小車駛過
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
