为什么把动物视为决策者会改变模型
简单粒子力模型把每只动物描述为一个自驱动粒子，受到短程排斥和较长程吸引或对齐等社会力的推拉[2]。这种图景有用，但它把生物体当作粒子，而不是概率性的决策者，并且遗漏了集体运动模型通常未能纳入的行为中离散、随机和依赖内部状态的部分[1][2]。
认知方法用内部过程替代或补充这些内置规则。在主动推断模型中，行为遵循单一指令，即最小化意外，智能体采取行动来抑制与其预期相冲突的预测误差[2]。按这种方式表述，经典的社会力可以作为这种误差抑制的结果被恢复并推广，而不是作为固定规则写入模型[2]。概率框架则用另一条路径处理同一空白，让每只动物在行为状态之间随机切换，每个状态产生一种可能不同的空间运动规律[1]。
认知模型对群体实际预测了什么
最具体的变化是，大规模集体模式可以在没有内置的情况下出现。在主动推断模型中，凝聚力、绕圈和定向运动自然涌现，尽管没有向个体智能体显式编程任何行为规则或目标[2]。这很重要，因为粒子力模型通常通过其吸引和对齐项按设计产生这些模式；认知模型则从智能体由信念驱动、试图减少意外的过程中生成它们[2]。
认知还改变了个体差异映射到群体属性的方式。探索基于信念的模型的参数空间，揭示了个体信念与群体层面特征（如极化和访问不同集体状态的倾向）之间的非平凡关系，并且发现个体对不确定性的信念会塑造群体做出集体决策的准确程度[2]。该模型还允许智能体随时间更新其生成模型，这产生了对外部波动集体上更敏感、信息编码更稳健的群体[2]。这些是模拟结果，因此它们描述的是模型预测什么，而不是在真实鱼群或鸟群中测量到了什么。
真实鱼类的行为状态与随机性
概率框架以可拟合追踪数据的方式将内部状态与运动联系起来。每只动物以可取决于环境以及与其他动物互动的速率在行为状态之间切换，切换动力学被表示为广义线性模型，其速率函数可以通过梯度下降从数据中推断[1]。作者将该框架应用于两个合成运动模型和真实斑马鱼追踪数据，表明多个相互作用动物的前向模拟是可能的，并且模型选择可以识别哪些因素调节状态切换[1]。
另一项鱼类研究在不引入内部状态的情况下指向一种相关平衡。研究人员从约600小时的视频中，利用卷积神经网络从轨迹中提取鱼类相互作用的力图，将该力解释为鱼对周围个体、环境和社会信息的感知[3]。这些鱼大多处于看似无序的群体状态，但它们的局部相互作用明显具有特异性，将这些相互作用与鱼固有的随机性结合，在模拟中再现了观察到的集体运动[3]。作者得出结论，特定的局部力与内在随机性之间的微妙平衡对于有序运动至关重要[3]。这支持了随机性和局部响应很重要的观点，但它是一种力与噪声的解释，而不是对认知状态的检验。
这些模型尚未解决的问题
这些研究都没有在同一数据上直接比较认知模型与简单粒子力模型的预测准确性。概率框架论文展示了个体行为状态如何影响集体动力学，但没有提供这种直接比较[1]；主动推断论文讨论了经典粒子力模型，并表明社会力可以在其框架内恢复，但没有直接比较两种方法的预测结果[2]。鱼类研究同样没有将其模拟与简单粒子力模型的预测直接比较[3]。
因此，诚实的答案是：认知改变了可用的解释类型，并扩展了模型能够生成的内容，包括依赖状态的切换、信念驱动的模式形成以及依赖信念的集体决策准确性[1][2]。这些补充是否使对真实动物群体的预测比粒子力模型更准确，是这些研究提出但尚未回答的问题[1][2][3]。
本文引用的文献
个体和集体动物行为的概率模型
一个概率框架让每只动物在具有状态特定运动规律的行为状态之间随机切换，并被应用于合成模型和真实斑马鱼追踪数据。
由意外最小化产生的集体行为
一个智能体最小化意外的主动推断模型，在没有显式行为规则的情况下再现了凝聚力、绕圈和定向运动，并且个体信念与群体极化和集体决策准确性存在非平凡关系。
鱼类的集体运动源于平衡的局部感知相互作用和个体随机性
在鱼类中，特定的局部相互作用力与内在随机性结合，在模拟中再现了观察到的集体运动，两者之间的平衡被认为对有序运动至关重要。