מודלים קוגניטיביים מאפשרים הסקה בזמן אמת של מניעים חבויים

מדוע ניחוש מטרות חבויות חשוב

כל יום אתם קוראים בשקט את כוונות האנשים מסביב—האם נהג עומד להתמזג אל הנתיב שלכם, האם רוכב אופניים יעצור, או האם עמית לעבודה מנסה לעזור או להתחרות. שיפוטים של רגעים ספורים אלה נשענים על פירוש מניעים חבויים מתנועות גלויות. ה-AI של היום יכול להיות מדויק מאוד בתחזיות, אך לעתים קרובות פועל כ"קופסה שחורה" שאינה מסבירה מדוע התקבלה החלטה. המחקר הזה בוחן האם מודלים פסיכולוגיים להתנהגות אנושית יכולים להעניק ל-AI יכולת דמיינית יותר אנושית לגבי מניעים של אחרים, ולהפוך אותו למהיר יותר, מדויק יותר וקל יותר לאמון.

משחק פשוט של מרדף והתחמקות

כדי לחקור זאת, החוקרים בנו משחק וידאו מצומצם. בכל סיבוב של 10 שניות שחקן אנושי כיוון "ספינה" משולשת באמצעות ג'וייסטיק בעוד שספינת מחשב נשלטת על פי אחד ממספר דפוסים. לשחקן האנושי הוקצאה בסתר אחת משלוש מטרות: לתקוף (להתנגש בספינה השנייה), להימנע (להישאר רחוק), או לבחון (להישאר בקרבה מבלי להתנגש). ספינת המחשב יכלה להתנהג באגרסיביות, ביישנות, סקרנות, הגנה, או סתם לשוטט. השילובים יצרו מצבים שבהם התנועות של הספינות או הותאמו או סתרו זו את זו—למשל, אדם תוקף שרודף אחרי ספינה ביישנית שנמנעת ממנו.

מדידת יכולת הקריאה של אנשים לגבי מטרות חבויות

הצעד הראשון היה לבדוק כמה טוב אנשים עצמם קוראים מניעים מתוך תנועה. הצוות לקח משחקים משמונה הטייסים שהופיעו הכי טוב והפך כל סיבוב לקטעי וידאו קצרים. מתנדבים חדשים צפו בקליפים והיו צריכים לנחש את מטרת השחקן האנושי—לתקוף, להימנע או לבחון—אחרי שראו רק 1, 4, 7 או 10 שניות של תנועה. בקבוצות שונות, כולל משתתפים עם ובלי אבחנת אוטיזם, אנשים זיהו נכונה את המטרה בכ-שני שלישים מהמקרים. הדיוק עלה ככל שראו יותר מהניסוי, והביצוע היה דומה בין הקבוצות, מה שסיפק נקודת ייחוס אנושית יציבה להשוואה.

תכנית פסיכולוגית לתנועה

במקום להזין נתוני וידאו גולמיים ישירות לרשת עצבית, המחברים בנו מודל קוגניטיבי לתיאור הכוחות שעשויים להניע את התנועה של האדם. מודל ה"חתירה למטרה גלובלית-מקומית" (GLOP) שלהם מניח ששחקן מאזן בין מספר משיכות בבת אחת: שמירה על מרחק מועדף מהיריב (קרבה רבה מדי מרגישה מסוכנת, מרחק רב מדי מפספס הזדמנויות), הישארות בעמדות טובות על המסך במקום להיתקע בפינה, והתאמה או חיזוי של קצב וכיוון הספינה השנייה. גורמים אלה משולבים לכיוון תנועתי "מוטיבציוני" יחיד, עם מונחים נוספים המשקפים כמה חלקה התנועה וכמה אקראיות יש לשליטה.

להכשיר AI לקרוא מחשבות מתוך תנועה

כדי להפוך את המודל לשימושי בזמן אמת, החוקרים סימלו 100,000 סיבובי משחק בהגדרות שונות של פרמטרי GLOP. לאחר מכן אימנו רשת עצבית חוזרת לקבל רצפי מיקומי ספינות ולהעריך במהירות את הפרמטרים הנסתרים—כמו מרחק מועדף או עד כמה מישהו דואג למיקום גלובלי. רשת זו יכלה לשחזר מספר פרמטרים מרכזיים בדיוק רב כבר לאחר כמה שניות של תנועה. בהמשך אימנו קבוצת רשתות מסווגות לנחש את מטרת השחקן בשלוש דרכים שונות: ישירות מנתוני מיקום גולמיים, מתוך סטטיסטיקות סיכום פשוטות (כמו מרחק ממוצע ונטייה להתקפה או להימנעות), או מתוך פרמטרים שמסקנת המודל הקוגניטיבי. לבסוף, הם בנו מסווגי "אנזמבל" ששילבו מקורות אלה.

להכות את סף האנושות

כל המסווגים של ה-AI השוו או התעלו על ביצועי האנשים, אך אופן ההכנה של המידע עבורם היה משמעותי. רשתות שהסתמכו רק על תנועה גולמית או רק על פרמטרי המודל הביצו בדומה לאנשים, בכ-66% דיוק. מסווגים שקיבלו סטטיסטיקות סיכום פשוטות הופיעו טוב יותר, והתוצאות הטובות ביותר הגיעו משילוב של אותן סטטיסטיקות עם פרמטרי המודל הקוגניטיבי, והגיעו לכ-72% דיוק. מערכות אלו שהושפעו מהמודל גם עברו אימון מהר ויציב יותר מאלו שהוזנו רק בנתונים גולמיים. כאשר הדיוק נעקב רגע אחר רגע לאורך כל סיבוב, ה-AI יכל לעדכן את הניחוש שלו לגבי המטרה החבויה של השחקן בפחות מהזמן שבין רענוני מסך—באופן יעיל הסיק כוונה בזמן אמת.

מה משמעות הדבר עבור AI יומיומי

לציבור הרחב, המסקנה היא ששזירה של תיאוריה פסיכולוגית לתוך AI יכולה לעזור למכונות להבין לא רק מה אנשים עושים, אלא גם מדוע הם עושים זאת. על ידי תרגום תנועות מבולגנות לקבוצת מניעים קטנה ופירושית—כמו כמה קרוב מישהו רוצה להיות או איך הוא ממיר בין בטיחות להזדמנות—המערכת נעשית גם מדויקת יותר וגם קלה יותר להסבר. ביישומים עתידיים כגון רכבים אוטונומיים או צוותים משולבים אדם–AI, "חזית קוגניטיבית" מסוג זה יכולה לעזור ל-AI לצפות בכוונות סוכנים אחרים מוקדם ובאופן מהימן יותר, ובכך למנוע התנגשותים ואי-הבנות ולספק הסברים ידידותיים לבני אדם כמו: "הנהג האחר ככל הנראה מנסה להתמזג, לא סתם לסטות."

ציטוט: Fitch, A.K., Kvam, P.D. Cognitive models facilitate real-time inference of latent motives. Sci Rep 16, 6444 (2026). https://doi.org/10.1038/s41598-026-37587-8

מילות מפתח: תאוריית התודעה, דוגמנות קוגניטיבית, הסקת כוונות, אינטראקציה בין בני אדם ל-AI, בינה מלאכותית להסברה