Nature刊文稱“AI可模擬人類心智”，Science同日就強烈質疑_風聞

7月2日，一個跨國團隊在Nature雜誌發表了一項開創性研究，宣稱其推出的AI系統能夠“模擬人類心智”。該系統在實驗中可以“扮演”人類，生成逼真的人類行為。但在同日，Science雜誌就針對這項研究刊發報道，表達了科學界對這項研究的審慎和質疑。有學者甚至用“荒謬”來評價這個模型。

撰文 | Ren

你有沒有想過，我們的大腦是如何做出各種各樣的決定的？

從早上選擇穿什麼衣服，到思考宇宙的奧秘，人類的心智展現出令人驚歎的靈活性和適應性。我們能從幾個簡單的例子中學會新技能，能理解因果關係，還能被好奇心驅使去探索未知。

這種無與倫比的多功能性，正是我們人類大腦的獨特之處。

隨着當前AI的飛速發展，我們審視當今的AI模型時，會發現它們大多是“專才”而非“通才”。它們往往被設計來解決一個特定的問題，比如圍棋高手AlphaGo，雖然在棋盤上所向披靡，但出了棋盤就一籌莫展。

我們看到了Claude 3.7 Sonnet、Gemini Pro 2.5、Grok 4等更擅長推理的模型。那麼，這些AI模型可以模擬人類的推理過程嗎？

在認知科學領域，像前景理論這樣的經典模型，雖然能深刻揭示人們面臨風險如何做規避決策，卻無法告訴我們，人類是如何學習、規劃或探索的。

長期以來，心理學界一直夢想着構建一個統一的認知理論，一個能夠解釋人類心智全貌的框架。

最近發表在Nature雜誌上的一項開創性研究，似乎為這個夢想點亮了新的希望。一個跨國研究團隊推出了一款名為“Centaur”的基礎模型，旨在捕捉人類認知和高準確率預測，宣稱向理解人類心智的終極目標邁出了重要一步。

Nature論文

然而，這項研究的某些方面也引起了科學界的審慎和質疑。畢竟，要宣稱一個AI系統能夠“模擬人類心智”，這本身就是一個極具挑戰性的命題，需要更深層次的探討。

當AI遇上人類行為大數據

Centaur模型的研究團隊來自德國Helmholtz AI研究計劃、谷歌DeepMind、普林斯頓大學等機構。他們稱Centaur首次實現了大規模認知任務中的準確預測人類行為的能力。

Centaur的基石是一個名為“Psych-101”的龐大數據庫。該數據集的規模前所未有，它涵蓋了廣泛的認知領域知識，包括多臂老虎機、決策制定、記憶、監督學習、馬爾可夫決策過程等經典任務。

Psych-101包含的數據 | 圖源：論文

數據庫同時也囊括了160項心理學實驗中超過6萬名參與者的逐次試驗數據，他們完成了超過1000萬次選擇，共計253,597,411個文本tokens。

它就像一個巨大的圖書館，裏面收藏的詳細記錄，由數萬名參與者在實驗中的每一次選擇、每一個反應組成。

研究人員將這些複雜的實驗數據全部人工轉錄成了自然語言文本，並在這個過程中將所有不同形式的實驗標準化，使得AI模型能夠像閲讀故事一樣學習與理解人類行為，包括細節。

Centaur的大致框架丨圖源：論文

Centaur的“大腦”是來自Meta的開源大模型Llama 3.1 70B。

為了讓模型學會“理解”人類行為，研究人員對其進行了微調。他們採用了量化低秩適配（QLoRA），一種高效的大模型微調技術。通過向非嵌入層（包括自注意力機制和前饋網絡的線性層）添加低秩適配器（秩為8）來工作，只需傳統模型Llama的0.15%參數，就可以完美模擬人類在160項心理學實驗中的行為。

值得一提的是，研究人員還開發了一個名為Minitaur的小型版本，以Llama 3.1 8B為基礎模型。它雖然在性能和穩健性上不如Centaur，但對硬件要求較低，甚至可以運行在Google Colab的免費GPU實例上。

精準的預測與較好的泛化能力

在研究團隊看來，Centaur的真正魅力，在於它能精準地預測和模擬人類行為，同時有較好的泛化能力。

研究人員讓Centaur“觀看”了一些人玩遊戲的過程，然後讓它預測另一羣從未見過的人會怎麼玩。Centaur能夠比其他現有模型更準確地預測這些新參與者的行為。

他們認為，這表明Centaur不僅僅是記憶了訓練數據，更是掌握了人類行為背後的模式和規律。

在一個經典的實驗中，原本的設定是太空飛船在星球間尋找寶藏，研究人員把故事背景換成了“魔毯探險”。Centaur雖然從未見過魔毯，卻依然能準確預測故事中人們的行為。這似乎證明了它理解的是任務的內在結構，而非表面的故事。

再比如，在一個叫做“瑪吉農場”的實驗中，研究人員在原有的任務基礎上增加了一個選項。儘管Centaur從未在訓練中遇到過這種“三選一”的複雜情況，而Centaur再次展現了強大的適應力，其預測值幾乎碾壓了傳統模型。

更令人驚歎的是，即使在全新的領域，比如邏輯推理任務中（LSAT題型），Centaur也展現了出色的表現。證明其底層的學習和推理能力也得到了“淬鍊”。

在不同任務上，人類與 Centaur 模型在“獎勵值”和“信息獎勵參數”上的概率密度分佈圖 | 圖源：論文

除了這些，Centaur還在其他一些完全陌生的實驗中表現出色，例如道德決策、經濟博弈等。研究人員指出，這進一步説明了它作為“通用認知模型”的潛力。

Centaur不僅能預測人類已經做出的選擇，還能“扮演”人類，生成逼真的人類行為。在模擬實驗中，Centaur的表現與真實人類驚人地相似。

例如，在探索策略任務中，Centaur的探索方式與人類如出一轍；在學習任務中，它也能像人類一樣，表現出不同學習策略的混合。

更有趣的是，Centaur能準確預測人類的行為，卻很難預測那些由AI生成的、統計上相似但內在邏輯不同的行為，這進一步證明了它捕捉的是人類特有的認知模式。

甚至，Centaur還能預測人類的反應時間，這表明它不僅理解了人們“做什麼”，還理解了人們“思考多久”才能做出決定。

Centaur內部與大腦活動的共鳴

另外一個令人興奮的發現是，Centaur的內部運作方式，竟然與人類大腦的活動模式產生了奇妙的共鳴。

儘管Centaur在訓練時從未被明確要求去模擬大腦活動，但研究人員發現，它的內部表徵，也就是它處理信息的方式，與人類大腦在執行任務時的神經活動更為接近。

Centaur 表徵所預測的神經活動與 BOLD 數據之間的皮爾遜相關係數，它在左側運動皮層的預測最為準確。| 圖源：論文

具體來説，研究人員進行了全腦分析，預測了執行兩步任務的人類參與者的功能性磁共振成像（fMRI）測量結果。他們利用了先前一項研究中收集的數據，該研究涉及94名參與者，每人做出300次選擇。

參與者在改編的魔毯故事或另一個抽象故事下進行測試，這兩種故事均不屬於Centaur的訓練數據。研究人員從模型在每次選擇前和反饋後的殘差流中提取記錄。然後，他們整合了每個區域的人類神經活動，並對Centaur的內部表徵進行迴歸分析。

結果顯示，Centaur的表徵在預測人類神經活動方面始終優於Llama的表徵，這表明在大型行為數據上微調模型使其內部表徵與人類神經活動對齊。

這就像是，Centaur在學習人類行為的同時，無意中也學會了以一種類似人類大腦的方式來組織和處理信息。

“無心插柳柳成蔭”的現象，為我們理解AI與人類心智之間的深層聯繫提供了新視角。這或許意味着，即使模型的內部機制與大腦不同，但其在處理信息時所形成的抽象表徵，可能與大腦的某些功能性組織原則不謀而合。

助力新發現

在論文中，研究人員還展示了Centaur如何幫助我們更好地理解人類決策過程。

在一個涉及到多維度決策的實驗中，人們需要根據多個專家的評價，在兩個各有優缺點的產品中二選一。研究人員利用Centaur，結合另一個語言模型DeepSeek-R1，來“詢問”人類在這種情況下是如何做出決定的。

DeepSeek-R1分析了人類的決策數據後，提出了一個初步解釋：人們可能先看哪個產品獲得多數好評，如果打平，再看最權威專家的意見。這是個很合理的發現。

然而，Centaur的強大之處在於，它還能進一步優化這個發現。通過一種名為“科學遺憾最小化”（scientific regret minimization）的方法，研究人員讓Centaur指出DeepSeek-R1模型未能完全捕捉到的人類行為。

模型引導的科學發現，利用 Psych-101 和 Centaur 來輔助構建一個用於多屬性決策研究的認知模型 | 圖源：論文

通過分析Centaur提出的“錯誤”，研究人員發現，人們在決策時，並非嚴格遵循非此即彼的規則：他們也會選擇一個總體好評較少，但卻得到了最權威專家正面評價的產品。

因此，人類在決策時，權威專家的意見可能並非只在“打平”時才發揮作用，它可能在整個決策過程中都扮演着更靈活、更重要的角色。人類將兩種啓發式決策策略（看總體好評和看權威專家意見）進行了加權組合。

隨後，在Centaur的幫助下，研究人員開發了一個更靈活的加權平均機制，讓兩種啓發式策略可以同時發揮作用，只是權重不同。最後得到的新模型，不僅在預測人類行為的準確度上幾乎與Centaur一樣，而且依然是可解釋的。

核心爭議：行為匹配是否等同於心智模仿？

Centaur在預測和模擬人類行為上的出色表現，無疑是令人欣喜的。然而，就在Nature發表這項研究的同一天，Science立即跟進一篇報道，表達了科學界對這項研究的審慎和質疑。

受訪專家認為，這篇論文以“預測和捕捉人類認知的基礎模型”為題，但這並不意味着Centaur的運行機制與人類心智、思維機制相同，即便“其內部表徵與人類神經活動相似”。

加拿大麥吉爾大學的計算神經科學家Blake Richards直言，他認為科學界有相當一部分人會對這篇論文持高度懷疑的態度，甚至可能會非常嚴厲地批評它。

在他和一些同行看來，Centaur模型並未真正意義上模仿人類的認知過程，因此它能否可靠地生成與人類行為完全匹配的結果，還有待商榷。

具體來説，Centaur本質上仍是一個大模型，而大模型的核心仍是統計模式的“匹配機器”，即使能夠在一定程度上捕捉複雜語義和推理結構，但最後的結果依舊是根據可能性來預測下一個詞。

Science對Nature這項研究的報道

現階段的大模型架構，註定了它們不具備意識、真正的理解，也不具備與人類相同的因果推理能力。儘管在行為數據上進行微調可以提高預測性能，但這並未從根本上改變其統計關聯的底層機制。

因此，預測性大模型的功能能力與“人類認知”所隱含的機制理解之間存在顯著的概念鴻溝。

英國布里斯托大學的認知科學家Jeffrey Bowers更是用“荒謬”來評價這個模型。他和團隊親自對Centaur進行了測試，結果發現它展現出了一些“超人”般的非人類行為。

例如，在短時記憶測試中，Centaur能夠記住多達256位數字，而我們人類通常只能記住大約7位。在反應時間測試中，模型甚至可以在1毫秒內做出“超人類”反應。

Bowers由此得出結論，所謂Centaur可以在訓練數據之外進行可靠泛化的結論不可信。這些“超人”表現，恰恰説明了模型可能只是在數據上表現出色，而其內部機制與人類的認知侷限性大相徑庭，因此其泛化能力可能並非基於真正的人類認知理解。

更重要的是，Bowers強調，Centaur無法解釋任何關於人類認知的問題。

他打了個比方：模擬時鐘和數字時鐘都能顯示正確的時間，但它們的內部運行機制卻大相徑庭。Centaur雖然能給出類似人類的輸出，但它所依賴的機制與人類心智的機制可能根本不同。

此外，儘管Psych-101數據集規模令人印象深刻，但與“人類認知的無限海洋”相比，160項實驗仍然只是“一粒沙子”，不足以全面覆蓋人類的認知機制。這意味着，模型可能只在訓練數據覆蓋的範圍內表現良好，但在更廣闊、更復雜的認知領域，其表現可能並不穩定。

應該説，這些質疑的聲音並非否定Centaur，而是從科學嚴謹性的角度，提醒我們應以更批判的眼光看待其宣稱的“模仿人類心智”的能力。

它們促使我們思考，僅僅是外部行為的匹配，是否就等同於內部認知過程的模擬？一個能夠展現“超人”能力的模型，其泛化性是否真的可靠？以及，在模型能夠“預測”人類行為之後，下一步如何讓它真正“解釋”人類行為？

這些疑問，無疑為未來的AI模型研究指明瞭更具挑戰性的方向。

參考資料

[1] https://www.science.org/content/article/researchers-claim-their-ai-model-simulates-human-mind-others-are-skeptical

[2] https://www.nature.com/articles/s41586-025-09215-4

注：本文封面圖片來自版權圖庫，轉載使用可能引發版權糾紛。

特 別 提 示

1. 進入『返樸』微信公眾號底部菜單“精品專欄“，可查閲不同主題系列科普文章。

2. 『返樸』提供按月檢索文章功能。關注公眾號，回覆四位數組成的年份+月份，如“1903”，可獲取2019年3月的文章索引，以此類推。

版權説明：歡迎個人轉發，任何形式的媒體或機構未經授權，不得轉載和摘編。轉載授權請在「返樸」微信公眾號內聯繫後台。