🤖 AI

Structural Ranking of the Cognitive Plausibility of Computational Models of Analogy and Metaphors with the Minimal Cognitive Grid

本文应用最小认知网格框架，基于功能/结构比、通用性和性能匹配的形式化定量方法，系统评估并排序类比与隐喻的主流计算模型（包括 SME、CogSketch、METCL 和大语言模型）的认知合理性。

原作者： Alessio Donvito, Antonio Lieto

发布于 2026-05-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Alessio Donvito, Antonio Lieto

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

想象你是一名才艺秀的评委，但参赛者不是歌手或舞者，而是试图表现得像人类思考者的计算机程序。具体来说，它们正在尝试解决涉及类比（例如"A 之于 B 如同 C 之于 D"）和隐喻（例如“我的工作是一座监狱”）的谜题。

这篇论文的作者，Alessio Donvito 和 Antonio Lieto，创建了一个名为**最小认知网格（MCG）*的特殊评分系统。将这个网格想象成一张三条腿的凳子。为了让计算机舒适地坐在凳子上，并被视为一个“认知上合理”的模型（意味着它像人类一样思考，而不仅仅是看起来*像），它需要在三条腿上保持平衡。

以下是这三条腿的工作原理，使用简单的类比：

第一条腿：蓝图匹配（功能/结构比率）

问题： 计算机构建答案的方式是否与人类大脑相同，还是它只是靠“魔法”得到了正确答案？

类比： 想象两个人试图建造一个鸟屋。
- A 先生（结构模型）： 使用木材、钉子和锤子，遵循木匠会遵循的完全相同的步骤。他们可能很慢，但他们的过程是像人类的。
- B 先生（功能模型）： 使用 3D 打印机或激光切割机。他们得到了完全相同的鸟屋，但机器内部与人类的双手完全不同。
论文主张： 作者认为，为了让计算机成为我们如何思考的良好模型，它需要使用“木材和钉子”的方法（结构性的）。
- SME 和 CogSketch： 这些就像木匠。它们使用特定的规则（例如“一件事映射到一件事”），模仿人类如何进行类比。它们在此项得分很高。
- LLM（如 GPT-4）： 这些就像 3D 打印机。它们在制造鸟屋（获得正确答案）方面非常出色，但它们是通过从庞大的书籍库中猜测模式来完成的，而不是遵循类似人类的逻辑步骤。由于它们的“内部机制”与人类思维格格不入，它们在此项得分非常低。
- METCL： 这是一位处于中间地带的木匠。它使用一套不同的蓝图（侧重于分类而非映射），因此得分居中。

第二条腿：瑞士军刀（通用性）

问题： 计算机能进行多种不同类型的思考，还是它只是一招鲜？

类比：
- 专家： 一位能击败特级大师的象棋大师，但不会系鞋带或煎鸡蛋。
- 通才： 一个能下棋、做饭、开车和解决数学问题的人。
论文主张： 作者考察这些系统是否能处理数学、视觉谜题、语言，甚至身体运动（感觉/运动技能）。
- LLM： 这些是终极通才。它们能阅读、写作、做数学题和看图。它们在此项得分最高。
- SME 和 CogSketch： 这些是专家。它们非常擅长特定的逻辑谜题（如视觉模式），但无法真正做数学题或理解复杂的句子。它们在此项得分较低。
- METCL： 同样也是专家，主要专注于语言隐喻。

第三条腿：镜像测试（表现匹配）

问题： 当计算机出错时，它犯的是同一种人类会犯的错误吗？

类比： 想象参加一场考试。
- 如果你因为误解概念而答错了一道题，那是一个“人类”错误。
- 如果你因为计算机故障或随机猜测而答错，那是一个“机器”错误。
- 目标是看计算机的“故障”是否看起来像人类的困惑。
论文主张：
- SME 和 CogSketch： 它们在这方面表现出色。当它们未能通过视觉谜题（如瑞文渐进矩阵）时，它们会在完全相同的难题上失败，就像人类挣扎的那些难题一样。它们甚至花费相似的思考时间。它们得分非常高。
- LLM： 它们经常能给出正确答案，但当它们失败时，它们的错误看起来与人类不同。它们可能会因为措辞的细微变化而困惑，而这不会难倒一个人。它们在此项得分较低。

最终记分牌

作者结合这三个分数，看谁赢得了“认知合理性”称号。他们决定**第一条腿（蓝图）*是最重要的，因为主要目标是理解人类如何*思考，而不仅仅是得到正确答案。

获胜者（在严格规则下）： CogSketch 和 SME。 尽管它们是“一招鲜”（通用性低），但它们像人类一样思考。它们是研究人类思维的最佳模型。
亚军： METCL。 它处于中间位置，做了一些类似人类的事情，但不如前两者全面。
“魔法”盒子： LLM（GPT-4 等）。 它们极其聪明且多才多艺（高通用性），但它们不像人类那样思考。如果你想要一个解决问题的工具，它们很棒。但如果你想要一个模型来解释为什么人类会这样思考，论文说它们不是最佳选择。

主要启示

论文得出结论，变得“聪明”（得到正确答案）与变得“认知上合理”（像人类一样思考）是不同的。

LLM 就像一位超级演员，可以完美地背诵剧本，听起来完全像人类，但它们实际上并不感受情感。
SME/CogSketch 就像一位方法派演员，真正感受情感并通过角色的逻辑进行思考，即使它们无法背诵那么多台词。

作者构建了这个网格，以帮助科学家决定哪个计算机程序是研究人类思维的最佳“方法派演员”。他们发现，虽然“超级演员”（LLM）令人印象深刻，但“方法派演员”（SME/CogSketch）仍然是理解人类思维机制的黄金标准。

技术摘要：基于最小认知网格对类比与隐喻计算模型的认知合理性进行结构排序

问题陈述
类比与隐喻的创造及解读是人类语义能力的基础。尽管已提出众多计算模型以复现这些能力，但缺乏系统性的量化框架来评估其认知合理性——即其内部机制在多大程度上与人类认知过程相一致，而不仅仅是产生功能等效的输出。当前的人工智能系统，特别是大型语言模型（LLM），虽然在类比任务上往往表现优异，但其运作机制（例如统计模式识别）与人类认知存在根本性差异。本文旨在解决对标准化指标的需求，以区分“功能”人工制品（模仿输出）与“结构”模型（模仿内部认知机制），从而评估其在认知科学中的解释力。

方法论：最小认知网格（MCG）
作者采用并形式化地操作化了由 Lieto (2021) 提出的最小认知网格（MCG），该框架旨在根据人工系统相对于生物或认知目标的结构准确性对其进行排序。该方法涉及在三个不同维度上的量化评估：

功能/结构比率（FSR）： 该维度评估功能复现（输出匹配）与结构实现（机制匹配）之间的平衡。作者基于一组源自两种主要认知理论的结构约束定义了一个指标 $FSRM$：
- 结构映射理论（SMT）： 约束包括一对一映射、并行连接、系统性（偏好相互关联的关系结构）以及推断投射。
- 隐喻分类理论（CTM）： 约束包括分类（将隐喻解释为类包含陈述）和属性选择（转移显著特征）。
  模型根据其是否以结构方式（ $s_i=1$ ）而非仅仅以功能方式（ $s_i=0$ ）实现这些机制进行评分，并根据每个约束的理论重要性进行加权。
通用性（GM）： 该维度评估模型可模拟的认知功能的广度，其基础是卡特尔 - 霍恩 - 卡罗尔（CHC）人类认知能力分类法。作者在五个领域评估模型：定量知识、流体推理、视觉处理、语言/言语知识以及感觉/运动能力。评分依据为完全覆盖（1）、部分覆盖（0.5）或缺失（0），并采用特定的加权方案，强调感觉/运动能力在具身认知中的重要性。
性能匹配（PMM）： 该维度量化模型行为与人类行为之间的一致性，不仅考虑准确率，还考虑错误模式和反应时间。该分数是以下各项的加权和：
- 准确率偏差（Accuracy Delta）： 与人类基线性能的偏差。
- 错误模式： 模型是否复现了人类错误的分布（例如，在相同的困难项目上失败）。
- 反应时间： 与人类反应时间相比的执行延迟相似性。

主要贡献

形式化操作化： 本文提供了 MCG 的严格数学形式化操作，将定性的理论区分转化为定量分数（$FSRM $、$ GM $、$ PMM$），从而允许直接比较不同的 AI 架构。
统一认知合理性指标（CPM）： 作者引入了一个综合分数 $CPM = \lambda \cdot FSR'_M + \mu \cdot GM + \nu \cdot PMM$ ，整合了上述三个维度。他们提出了一种加权方案（ $\lambda=0.5, \mu=0.25, \nu=0.25$ ），优先重视结构保真度，认为认知科学中的解释力主要取决于内部机制与人类理论的一致性。
系统性比较分析： 该框架应用于四类不同的系统：
- SME（结构映射引擎）与 CogSketch： 基于 SMT 的符号系统。
- METCL： 基于 CTM 的隐喻生成逻辑模型。
- LLMs： 包括 GPT-3.5、GPT-4 和 GPT-4o。

结果
评估得出了每个系统的独特概况：

SME 和 CogSketch： 由于其明确实现了 SMT 约束（一对一映射、系统性），它们取得了最高的结构分数（ $FSR'_M \approx 0.606$ ）。它们在瑞文渐进矩阵测试中也表现出最高的性能匹配（ $PMM \approx 0.923$ ），复现了人类的准确率和错误模式。然而，由于缺乏定量推理、语言处理和感觉 - 运动任务的能力，它们在通用性方面得分极低（ $GM \approx 0.063–0.125$ ）。
METCL： 处于中间位置。它通过实现 CTM 约束（分类、属性选择）但缺乏基于 SMT 的结构约束，在结构保真度上得分中等（ $FSR'_M \approx 0.407$ ）。其通用性有限（ $GM \approx 0.125$ ），性能匹配中等（ $PMM \approx 0.714$ ）。
LLMs： 表现出最高的通用性（ $GM \approx 0.500–0.800$ ），涵盖了定量、流体、视觉和语言领域。然而，它们显示出极低的结构保真度（ $FSR'_M \approx 0.109$ ），未能以机制方式实现系统性或一对一映射等 SMT 约束。其性能匹配参差不齐（ $PMM \approx 0.578$ ），通常表现出高准确率但错误模式不同（例如，在人类成功但充满干扰项的任务中失败），且缺乏时间对齐数据。

在提出的非等权加权方案（优先重视结构合理性）下，CogSketch和SME在整体认知合理性方面排名最高。在等权加权方案下，LLMs因其卓越的通用性而超越 METCL，鉴于 LLMs 缺乏受认知启发的约束，作者将这一结果描述为“悖论”。

意义与主张
本文主张，MCG 提供了一个“蓝图”，用于基于生物或认知合理性（而不仅仅是功能输出）对 AI 系统进行可推广、可复现的比较。

解释力： 作者认为，功能/结构比率是认知科学的关键维度，因为它评估模型的成功是建立在相关现象的机制（例如关系映射）之上，还是建立在统计泛化之上。
与行为主义的区别： 该框架旨在避免“新行为主义”，即通过惩罚那些通过非人类内部过程实现人类水平性能的系统。
可扩展性： 该方法论被呈现为评估当前及未来 AI 代际的可扩展工具，为符号、亚符号和混合架构提供了一种通用的测量语言。
局限性： 作者谦逊地承认了局限性，包括基准数据的不均匀可用性（LLMs 在比 SME/CogSketch 更多的数据集上进行了测试）、某些系统缺乏反应时间数据，以及约束权重目前基于理论相关性而非数据驱动推导。他们建议未来的工作应专注于扩展数据集并完善加权方案，以进一步扩展该框架的可推广性。