我们寻觅新颖事物，但所求并不多。
人类有吃的欲望、喝的欲望，以及繁衍的欲望。“人类的好奇心也是如此。”卡耐基梅隆大学经济学与心理学教授乔治·勒文施泰因（George Loewenstein）如是说，我们有着无限的求知欲――去创造、去探索、去孜孜不倦地学习――“求知欲足可与其他欲望匹敌。”
那么，好奇心有什么稀奇的呢，难道是因为好奇心似乎并不与任何具体回报相关？“好奇心带来的理论难题就是，为什么人们会被按好奇心的定义来说没有外在好处的信息牢牢吸引？”勒文施泰因曾这样写道。生命体寻求食物、水、性、庇护所、休息、财富或者是生活中各种其他的营养和使自己愉悦的事物也在情理之中。但是追溯引力的本质或者是跑到月亮上去有什么好处呢？
有个很简单的答案就是我们永远不会知道今天学到的东西明天是不是就能派上用场了。以蠕虫为例，“它们是无药可救的乐天派。”加利福尼亚索尔克生物科学研究所的神经生物学家斯里坎斯·查拉萨尼（Sreekanth Chalasani）这样说道。他的研究对象是秀丽隐杆线虫，一种常见的几毫米长的线虫。实验中，他把一只线虫放在一个大的菌斑（线虫最喜欢的食物）上面，周围围绕着许多潜在的交配对象。“它会做什么呢？它会离开那个菌斑，四处找找有没有更多的东西，”他说道，“没有任何迹象表明周围还有更好的东西。这就是你能给它提供的最好的食物。简直是疯了！”
不管你仅仅是放弃了你的食物，还是飞到了太空，探索确实显得有点犯傻――当然，除非你永远也不知道食物是否会被耗尽。从进化论的观点上来看，我们有充分的理由继续探寻，查拉萨尼说道。信息帮助我们做出更好的选择并能适应不断变化着的环境。说不定哪一天我们就需要一个月球基地了呢。
好奇心关乎所知所学
不过，好奇心并非漫无目的。我们总是对特定的事物感到好奇，对哪些事物感兴趣则因人而异。有些人沉溺于单一爱好，是奥秘的忠实追寻者；另一些人却涉猎甚广，杂学旁收。兴趣点的差异性告诉我们，某些超越于漫无目的兴趣之外的东西引导着我们独特的嗜好。
的确如此，研究好奇心机制的科学家们发现其机制的核心为一种概率算法――我们的大脑进行着连续计算，计算着哪条路线或哪种行为能让我们在最短时间内获得最多的知识。就像维基百科页面上的链接一样，好奇心立足于自身，每一个问题都导向下一个问题。这是一趟通往维基百科虫洞的旅行，你的起点决定了你可能的终点。这就是好奇心的有趣之处：它更多的是关于你所知所学的东西，而非你未知的事物。
用最基本的词汇来形容，好奇心可以描述为一种动机加方向组成的函数。第一部分并不像它应有的那样显而易见。口渴、饥饿、色欲――我们其他的欲望都有着清晰的动机。但是到底是什么激发了我们好奇心呢？
19世纪的德国哲学家亚瑟?叔本华认为生命的主要任务就是“以一切维持生命”，紧随其后的是“防止无聊，无聊就像猛禽一样，在我们的上空盘旋，无论何时只要它从你的所需中看到了安逸的生活，就会俯冲下来。”满足即无聊，好奇心正是我们摆脱无聊的车票。人类学家拉尔夫·林顿（Ralph Linton）有着更深层的思考。“相比社会或自然需求，人类变得无聊的能力似乎更像是人类文化进步的根源所在。”他在1936年曾这样写道。换言之，人类已经能够积累不可计量的知识――语言、泰姬陵、懒人毯――因为我们讨厌千篇一律。
但是仅仅用无聊还不能完全解释好奇心。“有个很古老的观点就是好奇心和无聊是同一个连续统一体对立的两端。”勒文施泰因说道。然而新的观点是：无聊之于好奇心并不像饥饿之于饱足或焦渴之于润泽。更确切地说，无聊是“当你没有充分使用大脑的某一部分时，大脑反馈的信号。”就像你在一只脚上坐了很久脚麻了一样。虽然无聊提示我们需要去锻炼自己的大脑，但是除了好奇心之外仍有对抗无聊的良方――比如说食物或性。而且，即使我们并没有感到无聊，好奇心也会突然冒出来。实际上，我们会为了学些新东西而很轻易地放弃我们想要或喜爱的东西。
惊喜的最佳状态：就像选择一本好书一样，好奇心引导我们寻找新的信息，但又不能新到让人费解的程度
好奇心如何达到巅峰
就像查拉萨尼研究的线虫离弃了最好的食物一样，人类以及其他灵长类动物总喜欢以酬劳换取信息。为了衡量这种趋势，研究者采用了“博彩任务”的方式――该方法参考了老虎机的模式――在该测试任务中，受试者必须从一些图像或其他类型的选项中反复进行选择。不同选项附带的支付酬劳（通常是金钱）可能性也不同，随着时间的推移，受试者知道了哪些选项让他们获得酬劳的可能性最大，他们就会一直选择这些选项。但是当出现了受试者之前没见过的新选项时，受试者通常会选择这个，他们会放弃掉可能的酬劳以期新选项能带来更好的回报。
看这儿：塞莱斯特·基德，罗彻斯特大学认知科学家，正在利用眼部追踪设备研究婴儿如何集中他们的注意力
大脑研究认为这种“新颖的奖励”――我们赋予新选项的额外比重――至少有一部分源自于它带给我们的愉悦的感觉。例如，2007年的一项研究发现，就像巴甫洛夫的狗听到铃声会流口水一样，当我们期待发现新事物时，我们的大脑处理类似爱和糖果之类奖励的区域就会被激活，即使预期未能实现。研究者总结道：“这些发现提出了这样一种可能性，那就是新颖事物本身就会被大脑当作一种奖励来处理。”
所以也许我的确会登录维基百科来“打发无聊”，正如叔本华说的那样。但是接着我会在维基百科上逗留三个小时，仔细研读蒙古对日本的侵略，这样做一部分是因为，下意识地，我就是喜欢点击那些链接时多巴胺的涌动带给我的快感――正是这种快感促使我们的祖先在澳大利亚和北极圈开疆辟土，发明了陶器，雕刻出了维伦多夫的维纳斯。
但是，为什么我会追随着蒙古部落的脚步进入一片新天地？为什么我不去研究威氏黑伯劳，或者任何其他维基百科“随机文章”按钮推荐给我的从理论上讲很有趣的课题？为什么好奇心以这种方式而不是那种方式吸引着我们？
在1994年发表的一篇论文中，勒文施泰因提出理论称好奇心的方向是由“信息缺口”决定的，也就是对未知的突然觉醒和想要填补信息缺口的迫切欲望。这种认知缺口既可能存在于物质世界（这个奇怪的虫子是什么），又可能存在于精神世界（爱是什么）。他的理论很好地用文字表达了为什么Upworthy网站的标题如此吸引人让人难以抗拒（该死，我可能已经成为了海牛粉丝的22个原因是什么），以及为什么好奇心既被视为优势又被视为劣势（你知道海牛的乳头长在腋窝下么）。
然而，信息缺口甩出的鱼钩不能太大（标题用葡萄牙文撰写）或太小（有个事实就是，海牛生活在佛罗里达州）。在2009年的一项研究中，一组研究员（包括勒文施泰因）将受试者置于功能性磁共振成像仪中，然后询问他们一系列琐碎的问题：为了模拟人类唱歌声而发明的乐器是什么？地球所在的星系叫什么名字？对于每个问题，受试者都需要预估一下答案的肯定程度。研究员还让受试者评估自己对于该问题的好奇程度，并监测他们大脑奖赏中心激活的强度――这是另一种衡量好奇心的方法。
果然不出所料，受试者对于他们认为自己知道的答案好奇心程度最低。但是他们对那种自己完全没点头绪的问题也不怎么感兴趣。当受试者对某个答案有了很好的猜想却又不能完全确定时，其好奇心反而会达到巅峰。好奇心的最佳状态似乎像是信息的“金发姑娘标准”――不多不少，恰到好处。
寻找恰到好处的新奇
据罗彻斯特大学神经科学家塞莱斯特·基德（Celeste Kidd）所言，婴儿也喜欢带有新意而非完全新颖的事物。在2012年的一项研究中，她跟她的同事让一些7月和8月龄的婴儿坐在一个屏幕前，屏幕上呈现三个盒子的图案，每个盒子含有一件物品，诸如曲奇、汤匙或者玩具汽车。这些物品从盒子里以特别的方式出现，“类似打地鼠游戏。”通过使其中一些出现方式比其他出现方式更加频繁，基德可以使得固有顺序变得更加稀少，因此也具有更多惊喜。
婴儿观看屏幕的时候，一个眼部跟踪设备也在观察他们。婴儿对屏幕的浏览呈现出明显的偏好性：有几分新奇、但并不完全新颖的出现方式，更能吸引他们的注意力；与婴儿之前看到的高度相似，或者完全不同的出现方式，都不能吸引他们的注意力。（每当婴儿视线从屏幕移开的时候，屏幕就重置为一张微笑着的婴儿图像。“我不知道你是否了解这个，婴儿喜欢看其他婴儿的照片。”基德说，我此前并不了解，这太神奇了。）
基德说，我们大脑本能地寻找“恰到好处”的新奇，有点像我们去一家书店，你不会想要翻看儿童读物，同样也不会想看已经翻阅多遍的书籍。另一方面，如果你选择了一本根本看不懂的书，比如一本俄文版的天体物理学教科书，你也会遇到类似的问题。“这会相当乏味。”想要进行学习，你必须有能够把握住的东西：下一步的线索不能离上一个太远――否则你永远抓不住它。所以当你的大脑驱使你尽可能快地收集信息时，它会本能地引导你跳过太小或太大的差异。
设计好奇心：人工智能研究员瓦伦·康培拉使用概率算法来模仿生物的好奇心，编程让机器人iCub尽可能快地寻获未知的奖励
要检验这一原理如何运行，机器人无疑是个优良的载体。但由于机器人缺乏动机（好奇心的主要成分），你首先需要给它一些动机。“要做到这一点，只需要通过编写代码让机器人去寻找奖赏即可。”在德国波鸿的鲁尔大学研究人工智能的博士后瓦伦·康培拉（Varun Kompella）说道。至于是什么样的奖励并不重要（甚至可以是若干工作内容），只要让机器人知道有奖励存在，并且想要获得它们就行。同样地，它也不知道如何获得奖励。就像人类从学习新东西中获得一点多巴胺一样，即使它看起来毫无用处，机器人的激励系统也会使得其学习行为本身成为一种奖励。
与康培拉共事的是iCub，它是一个开源的类人机器人，有着奶油色的皮肤，银色的关节，有头部、眼睛、手臂、手指，甚至乳头，但没有头发和腿。在他传给我的一段视频里，iCub直接连接在桌子后面的地板上。桌子的中央放着一只塑料杯。机器人开始来回伸展，握紧或松开拳头。起初，每一个新的动作都能让它学会一些东西，并且快速获得奖励。不过很快地，它就没有新的肢体动作可以学习了。
然后突然间，正徘徊不前的时候，机器人打翻了杯子。这个偶然事件让它获得了奖赏，更重要的是，为它提供了学习知识的新途径。就像在海上航行了数月的水手突然看到了一只水鸟。就像乔治·马洛里（George Mallory）第一次听说珠峰。这便是好奇心，不再是随机的，而是直接的。
接下来怎么样呢？答案取决于一个概率算法，该算法用于计算何种行为最有可能让机器人获得另一个奖赏。在这种情况下，因为在杯子范围内移动手臂能够获得对新动作的认知（还能获得奖励哦），所以，比起忽略杯子反复做一些完全随机动作，或者虽然关注杯子，但却做一些完全不同的动作，在这个范围内做一些类似的动作更有可能习得新技能。为什么要关注杯子呢？因为杯子就在那儿。
康培拉的iCub最终学会了端起杯子并将它移放到桌子上一个特定的点上，它所表现出来的这个行为，正是康培拉所期待的。但它把自己训练成一个端杯子的，在很大程度上是因为它被固定在放着杯子的桌子面前，除了端杯子，它几乎没有其他选择。
同样地，基德的实验设计，用意在于追踪给定的任何时间内婴儿所呈现出的大量信息――这让基德掌握了大量的新材料――同时也给了婴儿有限的选择项。据她讲，她之所以选7到8个月的婴儿作为实验对象，是因为他们刚好到了这样一个最佳姿态：他们既能支撑自己头部的重量，又尚未学习走路。对于婴儿来说，走路本身比学习走路有趣得多。她说：“没有什么能与之匹敌。”
预测甚至控制好奇心，将使得教学更加有效，使得精神类疾病能被更好地理解，使得人们的兴趣更加专注；生活也将因此具有无穷的乐趣。但是好奇心研究的艰难，也让我们明白了它的无限性，想要真正地管理好奇心几乎是不可能的。如今，留下的只有更多的未解谜团。
资料来源 Nautilus
责任编辑 彦 隐
――――――――――
本文作者扎克·乔治（Zach St. George），驻扎在加利弗尼亚的自由撰稿人，报道科学和环境相关内容。