20世纪五六十年代，受到当时新兴的信息论和控制论的影响，心理学界开启了一场认知科学革命[1]。先前占主导地位的行为主义只关注刺激与行为之间的联结，以经典条件反射和操作性条件反射（后者亦称为“强化学习”）为代表。认知科学则强调刺激与行为之间的信息加工过程，在感知觉、注意、学习、记忆、语言、推理和决策等领域都提出了信息加工模型，进行了大量的实证研究。20世纪90年代以后，认知科学进一步与快速发展的无创脑成像技术相结合，形成了认知神经科学，极大地深化了我们对于人脑与人类行为的理解。
也正是在20世纪五六十年代，人工智能开始萌芽[2]。在半个多世纪之后的今天，人工智能在机器视觉、自然语言理解和策略性游戏等方面都取得了瞩目的成就，在特定的任务中能够接近甚至超越人类的绩效。一方面，人工智能的设计借鉴了认知和神经科学中的发现。例如，人类视觉系统的层级化组织、选择性注意的机制、强化学习等。另一方面，人工智能的发展也给我们对于人脑和人类行为的理解带来了启示。例如，强化学习的概念源于心理学，指的是人类和动物会习得受到奖赏的行为，而避免受到惩罚的行为。计算机科学家将这个概念发展为一系列算法，可以有效地解决高维的控制或序列决策问题[3]。作为计算机算法的强化学习，反过来又被引入神经科学，用于理解人类和动物在复杂任务中的学习[4]。
然而，人工智能的终极梦想——在整体上接近人类智能的通用人工智能——仍未实现。不同于只适用于某个特定任务场景的专用人工智能，通用人工智能的目标是像人类一样具备在各种不同场景下的学习和判断能力。那么，人类的通用智能又从何而来？例如，人们在试图解决一个困难的问题时怎样决定，是继续还是放弃，或者另辟蹊径？
人工智能的创始人之一Marvin Minsky在晚年写下了《情感机器》[5]一书，将人类比作“情感机器”，提出了一个颠覆性的观点：情绪系统是人类智能不可或缺的重要部分。虽然情绪对于生存（例如面对危险是战是逃）和人际交流的意义很早就被认识到，情绪系统通常被理解为一个平行于人类的理性思考的“非理性”系统[6]。研究者虽然尝试让人工智能理解人类的情绪，但似乎并不认为，人工智能本身拥有情绪是必要或有益的。Minsky提出，某个特定任务的特定阶段需要特定的认知模块的参与，而人脑正是通过情绪系统实现了不同认知模块之间的协调。他从哲学的角度剖析了各种情绪对于认知活动的影响，例如，对当前行为的羞愧感会促使人们重新设定行为的目标。
本文将从认知神经科学的角度，综述使人类智能有别于专用人工智能的一些必不可少的“非理性”成分——效用函数（Utility function）、情绪（Emotion）和社会偏好（Social preference）。过去10多年里，神经经济学——神经科学与经济学的交叉学科——的发展[7]，使我们对于效用函数、情绪和社会偏好相关的计算和神经机制有了相当程度的认识。
