做出不合理的决定，可能是因为你的大脑要节能。我们每个人都经常做出糟糕的决定。传统的经济学模型遵循逻辑直觉，认为人们会给每个选择赋值，然后选择得分最高的。然而，我们的决策系统并不一定永远遵循理性原则，偶尔会出点“小故障”。
在最近的一项实验中，纽约大学的神经科学家Paul Glimcher及其合作者要求受试者从各种巧克力棒中做出选择。
如果提供了士力架、星河（Milky Way）以及喜乐杏仁巧克力糖（Almond Joy）三种，受试者往往会选择士力架，但如果提供了包括士力架在内的20种巧克力棒，选择就变得不那么明朗了。他们有时会选择其他牌子的巧克力棒，尽管士力架仍是他们的最爱。而当实验者排除了其他选项，只留下士力架和他们最后选择的巧克力棒时，受试者自己也搞不明白为什么自己没有选士力架了。
为了理解这些不合理的选择背后是何原因，经济学家们已经花费了超过50年。诺贝尔奖也发过了，怪诞经济学的书也卖出去百万本，但经济学家们仍然不明白为什么这些看似不合理的决定会发生。哥伦比亚大学决策科学中心联合主任、心理学家Eric Johnson说：“关于如何解释这一现象甚至都发展成了一项小的产业，科学家也付出了不少的努力来避免这些不合理的决定，但目前为止出现的好几种解释都没什么说服力。”
最近15到20年，神经科学家开始直接研究大脑，以期获得这个问题的答案。“知道信息在大脑中呈现的方式和大脑的计算规则，将有助于你理解人们为什么会做出这些决定。”加州大学圣迭戈分校的理论神经科学家Angela Yu如是说。
Glimcher正在同时从大脑和行为两方面的理论来尝试解释我们决策的不合理性。他结合了行为学实验的结果和神经科学数据，以建立一个关于我们如何决策及为什么会做出错误决定的理论。Glimcher是新兴的神经经济学（neuroeconomics）领域的先驱之一，他的理论整合了脑活动、神经网络、功能磁共振成像（fMRI）和人类行为等多个领域中的重要研究。
在一篇新的工作论文里，Glimcher及其共同作者提出，他们基于神经科学的模型能比标准经济学模型更好地解释当人们面对纷繁选择时的表现。这个决策模型的核心，就是大脑对能量的渴望。大脑是身体里代谢消耗最大的组织，它仅占据了人体2%到3%的质量，却消耗了20%的能量。因为神经元实在是太需要能量了，所以大脑无法同时兼顾准确度和效率，而Glimcher认为保持决策准确度的代价大于收益。
因此，在面对让人眼花缭乱的众多品牌麦片时，我们可能就会被迷惑住，从而错失我们最爱的那一种。
Glimcher的提议吸引了经济学家和神经科学家的兴趣，但并不是每个人都买账。圣路易斯华盛顿大学的神经科学家Camillo Padoa-Schioppa说：“我认为这非常令人激动，但这仍然只是一个假设。”神经经济学仍然是一个刚起步的领域，科学家们甚至对大脑哪部分参与做决定仍无定论，更别说如何做决定了。
迄今为止，Glimcher已经表明，他的理论在特定条件下比较成功，例如上文提到的巧克力棒实验。而他下一步的目标则是拓展现有范围，寻找怪诞经济学所研究的其他决策错误并用来检验他的模型。“我们力争找到关于选择的‘大统一理论’。”他说。
大脑是一个极其渴望能量的器官。神经元彼此之间传递信息是通过电脉冲的形式，称为峰电位或动作电位，而准备和产生这些电脉冲信号十分耗能。上世纪60年代，科学家推测，大脑是通过尽可能高效地编码信息来处理这一难题的，这一模型被称作高效编码假说。它预测，神经元会用最少的峰值来编码数据，就像通讯网络努力用最少的比特来传送数据一样。
在上世纪90年代末和本世纪初期，科学家表明，大脑的视觉系统的确利用了这个原则。大脑会忽略可预测的信息，而着重关注意外。如果墙的一部分是黄色，其余部分也可能是黄色，那么神经元就会忽视这部分的细节；但如果墙上有一个巨大的红色污点，那么神经元则会特别关注这一部分。
Glimcher提出，大脑的决策机制同样如此。想象一个简单的决策场景：一个猴子在两杯果汁中抉择。
简单起见，假设猴子的大脑中一种选择只用一个神经元来完成，选项越有吸引力，神经冲动速率越快，猴子通过比较神经冲动速率来做出决定。设想实验人员首先向猴子展示一个简单的选择：左边是一茶匙的可口果汁，右边是一壶可口果汁。假如一茶匙对应着神经元每秒产生1次脉冲，而一茶壶果汁对应着神经元每秒产生100次脉冲。这样的话，就很容易得出二者的区别了：一个神经元听起来像滴答钟表，另一个则像振翅蜻蜓。
但当猴子面前左边是一满壶果汁，而右边是几乎满壶的果汁时，情况就不那么明朗了。假设几乎满壶的果汁会让神经元每秒产生80次脉冲，那么猴子就要在每秒80次和每秒100次的神经冲动之间做出区分，这就有点难了，好比区分蜻蜓的振翅与蝗虫的嗡鸣。
Glimcher认为，在面对这种情况时，大脑会通过重新校正尺度来把两个选项区分开来，将几乎满壶果汁对应的神经元脉冲速率降得更低，那么再一次选择时，猴子就可以容易地区分两个选择了。
Glimcher的模型被称为“分离归一化”（divisive normalization），它阐明了重新校正过程中的数学原理。它推测，如果神经元只对选项间的相对差异来编码脉冲序列，就能够高效地传递信息。
“各个选项之间有许多共同的信息，他们并不是随机独立的，” Glimcher说，“归一化剔除了冗余信息，这样一来，信息就会尽可能明确，耗费的能量也尽可能地少。”他注意到，习惯接触自适应系统的工程师对这一想法并不震惊，而研究选择的人却常常对此感到惊讶。
Daw表示：“分离归一化最大的优点在于，它吸收了我们从视觉得来的原理，并直接应用在了其他有意义的方向。”上文中果汁的例子只是理论上的，但Glimcher和他的合作者们记录下了猴子在做出不同选择时大脑的电活动。这些研究证明，负责决策的神经元的表现正如模型预测的一般。如果科学家增加某一选项的价值，相当于将一个普通的星河巧克力棒换成一个美味的士力架，而代表这个选项的神经元也会增加激发速率。
而如果你增加另一个选项的价值，比如将士力架之外的另一个普通巧克力棒换成超大块的，则会降低士力架的相对价值——模型预测，这样的话代表士力架的神经元激发速率会降低，而Glimcher和他的同事表明大脑顶叶皮层的神经元的确这样运作，这也给模型提供了生理学上的支持。“这种分离归一化函数可以很好地描述所有条件下的数据，” Glimcher说，“这支持了神经元的工作模式等同或接近于分离归一化的观点。”
这个系统在绝大多数情况都工作得很好，但正如我们从黑暗的电影院走出时，在明亮的阳光照耀下会出现短失明的现象一样，决策机制有时也会出问题。我们在现代世界里遇到的令人目不暇接的无数选择就与此类似，Glimcher和他的合作者就在用这类错误来检验其模型，研究同样的算法能否预测出其他场景下当人类趋向做出的不当选择。
不过，神经经济学仍然是一个十分年轻的领域，充满了问题与争论。
Glimcher不是唯一一个发现大脑判断经济价值的标志的神经科学家。科学家们已经运用非侵入性人脑成像和动物大脑直接记录的方法，在不同的脑区测量了决策时的神经特征，但关于究竟是大脑哪一部分真正做出决定仍有争论。到底是大脑的哪一部分在计算士力架的激发速率要比星河的高？“并没有一个公认的概念来解释大脑是在哪里、怎样完成价值比较和决策的。”Padoa-Schioppa说。
Glimcher的神经记录实验是在顶叶皮层进行的，但Padoa-Schioppa对于顶叶皮层与经济决策的相关性表示怀疑。他说，损坏顶叶皮质并不会影响基于价值的决策，而损坏大脑额叶则会。基于这个原因，Padoa-Schioppa对Glimcher的模型多少有点怀疑。他认为，在关于选择的神经科学模型方面，此时此刻还没有足以服众的理论。
其他的神经科学家们则认为，分离归一化的一般概念是可取的，但需要进一步的细化，以来解释人类决策的更加复杂的方面。例如，Yu就指出，这个模型在简单决策时很成功，但是对于更加复杂的情形，可能就不那么有效了。“分离归一化模型很有意义，但是他们为探索决策过程中而设计的实验有点太简单化了，”Yu说，“为了解释人类的决策的各种现象，我们需要加强这个模型并且着眼于更加复杂的决策场景。”
分离归一化模型的框架来源于对视觉系统的研究，Yu认为其被应用到决策研究时会更加复杂。关于视觉系统编码的对象，科学家已经了解得很多了：无非就是由色彩和光影组成的二维场景。自然场景遵照一些常规、容易计算的特征，大脑可以利用此来过滤一些冗余信息。简单来说，如果一个像素点是绿色的，那他周围的像素点也有很大可能是绿色的。
但是，决策系统运作时的限制条件则要复杂得多，并且要考虑到多种类型的信息。
举个例子，如果你要买一幢房子，你肯定会考虑房子的地点、大小和风格，但这些要素的相对重要性以及它们的最优值（地点位于市区还是郊区、风格属于复古还是现代）都是非常主观的，不仅因人而异，甚至可能在同一个人的不同时期也会变化。“在决策过程中，并不存在一个经济学领域的‘冗余’（redundance）那样简单、易于测量，且被决策科学家们广泛接受，并看做是比较各个选项的过程中起主导作用的数学量。”Yu说。
她提出，我们会做出一些不合理的决定，背后可能是因为我们在衡量不同选项的价值时存在不确定性。“如果你已经买下了许多套房，你在评估房子时的视角肯定会与首次购房者时有所不同，”Yu说，“或者说如果你的父母在住房危机期间购买了房子，也可能影响你以后自己买房时的判断。”此外，Yu还指出，视觉和决策系统的最终目标是不同的。
“视觉系统的目标是从世界上获取尽可能多的信息，”她说，“而决策系统却是尽力让你做出你会喜爱的决定。我认为，对于决策系统而言，计算的对象并不是信息，而更像‘总体愉悦感’这种与行为相关的东西。”
对我们大多数人而言，我们对决策最关心部分还是其实际应用——我们如何做出更好的决定? Glimcher说他的研究已经帮助他找出了具体的策略。
“现在在做决定时，我不会一下子直接选择最心仪的选项，而是先排除掉选项里最不好的，将选项数减少到一个可以控制的数量，比如说3个，”他说，“我发现这真的有用，而这正是来源于我们关于数学的研究。有时候，你可以从最复杂的事务中学到简单的东西，而这的的确确可以提高你的决策水平。”