Can Large Language Models Simulate Human Cognition Beyond Behavioral Imitation?
该论文通过构建基于 217 位研究者长期学术轨迹的基准，在跨领域时序泛化设置下评估了大语言模型是真正模拟人类认知还是仅停留在行为模仿层面，并提出了多维认知对齐指标以量化个体认知一致性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文探讨了一个非常深刻的问题：现在的超级人工智能（大语言模型，LLM），到底是在像人类一样“思考”，还是仅仅在像鹦鹉学舌一样“模仿”？
为了让你轻松理解，我们可以把这篇论文的研究过程想象成一场**“侦探破案”，而侦探要抓的嫌疑人就是“只会模仿的 AI"**。
1. 核心谜题：是“灵魂”还是“面具”？
想象一下，你面前有两个画家：
- 画家 A（人类）：他画了一辈子画，风格独特。他画风景时，总是先观察光影，再思考构图，最后下笔。他的每一幅画都藏着他的思考逻辑。
- 画家 B（AI）：它看了画家 A 所有的画，然后让你给它一个新题目（比如“画一个从未见过的未来城市”）。画家 B 画出来的东西，乍一看和画家 A 的风格一模一样，连用笔的力道都相似。
问题来了：画家 B 是真的理解了画家 A 的“艺术灵魂”（认知模式），还是仅仅记住了画家 A 的“笔触和配色”（表面行为）？
目前的 AI 就像画家 B，它们能模仿得很像，但论文作者怀疑，它们可能只是**“背下了答案，却没学会解题思路”**。
2. 侦探的武器：217 位科学家的“学术日记”
以前的测试方法有个大漏洞：要么是用 AI 自己编造的数据（假数据），要么是混合了所有人的数据（大锅饭），根本测不出**“个人特色”**。
这篇论文的聪明之处在于，他们找来了217 位真实的顶尖科学家作为“样本”。
- 为什么选科学家？ 因为科学家的论文（尤其是引言部分）就像他们的**“思维日记”**。在写论文时，他们必须记录：我是怎么发现问题的？我为什么这么想？我用了什么独特的逻辑？
- 怎么测？ 研究者把科学家过去写的论文（比如研究“自然语言处理”的）给 AI 看，然后让 AI 去解决一个全新的、科学家没写过的问题（比如“如何让 AI 教其他 AI"）。
这就好比：你给画家 B 看了画家 A 画了 10 年的“山水画”日记，然后让他画一幅“赛博朋克城市”。
- 如果画家 B 只是模仿，他会生硬地把山水画的笔法用在城市上，或者生搬硬套以前的技巧。
- 如果画家 B 真的内化了思维，他会理解画家 A 观察世界的独特视角（比如“注重细节”或“喜欢抽象”），并用这种视角去构思全新的城市。
3. 破案结果：AI 还是“模仿大师”
经过严密的测试，侦探们得出了一个有点让人失望但很诚实的结论：
行为模仿（Behavioral Imitation）：满分！
AI 确实能完美模仿科学家的“说话风格”、“常用词汇”甚至“论文结构”。如果你只看表面，AI 写得和科学家本人一模一样。- 比喻：AI 就像是一个超级模仿秀演员，穿上科学家的衣服，戴上科学家的眼镜，连走路姿势都学得像。
认知内化（Cognitive Internalization）：不及格！
当遇到需要跨领域思考、或者需要深层逻辑推理的新问题时，AI 就露馅了。它无法真正提取科学家那种“遇到问题时独特的思考路径”。- 比喻：一旦让这位模仿秀演员去解决一个从未见过的复杂谜题，他只会机械地重复以前背过的台词，而无法像真正的科学家那样，根据新情况灵活调整策略。
实验数据告诉我们：
- 如果给 AI 看科学家最近写的同领域论文，它表现很好（因为它在“抄近道”，直接模仿了具体的解题技巧）。
- 如果给 AI 看科学家很久以前写的、完全不同领域的论文，让它去解决新问题，它的表现就大打折扣。这说明它并没有学会科学家“思考的底层逻辑”，只是记住了“具体的招式”。
4. 为什么现有的“补习班”没用？
研究者还试了很多方法想让 AI 变聪明，比如：
- 提示词工程（Prompting）：告诉 AI“你要像这位科学家一样思考”。
- 微调（Fine-tuning）：专门用科学家的数据训练 AI。
结果：这些方法就像给模仿秀演员换了更贵的戏服，或者背了更长的台词。AI 的“词汇量”和“表面相似度”提高了，但真正的思考能力（认知一致性）并没有本质提升。它依然是在做“统计拟合”（猜下一个词是什么），而不是在“构建思维模型”。
5. 总结与启示
这篇论文就像给 AI 行业泼了一盆冷水，但也指明了方向：
- 现状：目前的 AI 是**“超级模仿者”，它们能完美复刻人类的行为，但还没有学会人类“如何思考”**。它们没有真正的“灵魂”或“认知内核”。
- 未来：要想让 AI 真正像人一样思考，光靠“喂更多数据”或“换个提示词”是不行的。我们需要改变训练 AI 的方式，从**“被动地看数据”转向“主动地学习思考过程”**（比如让 AI 学习如何抽象问题、如何建立逻辑模型）。
一句话总结：
现在的 AI 就像是一个背熟了所有菜谱的厨师，它能完美复刻你吃过的每一道菜的味道（模仿行为），但它还不懂烹饪的原理，所以给它一种从未见过的食材，它可能就做不出一道新菜（无法内化认知）。这篇论文就是告诉我们：别被 AI 的“演技”骗了，它离真正的“思考者”还有很长的路要走。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。