Hypothesis Generation and Inductive Inference in Children and Language Models
本文在归纳推理任务中比较了人类儿童与基于大语言模型的智能体，揭示出尽管两者通过不同的计算机制对环境不确定性和证据可靠性表现出相似的适应性，但与大语言模型相比，儿童并未表现出过度观察和指令顺从的独特倾向。
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
想象你身处一个房间，里面有五个上锁的盒子和一堆 13 把钥匙。你不知道哪把钥匙能打开哪个盒子。为了增加难度，一位老师刚刚对你撒了个谎：“红钥匙开红盒子，蓝钥匙开蓝盒子。”但事实上，盒子的开启取决于一个涉及数字和形状的密码，只有当你拿起盒子时才能看到这些密码。
这就是本文核心实验“盒子任务”的设定。研究人员旨在了解人类（具体指儿童）和人工智能（具体指大型语言模型，或称 LLM）在现实世界令人困惑、信息不完整且指令可能错误的情况下，如何探寻真相。
以下是他们发现的内容分解，并辅以简单的类比。
1. 两种思维方式：“约束”与“程序”
研究人员构建了两个不同的计算机模型，以模拟这些智能体是如何思考的。
- “约束”模型（针对儿童）： 想象儿童的大脑就像一位手持记事本的侦探。每当他们尝试一把钥匙却失败时，他们就会在记事本上写下一条新规则：“好吧，红色不行。”他们并不一定会立刻构建出一个完美、逻辑严密的系统。相反，他们会同时权衡几个可能的想法（假设）。有时他们会猜测，有时他们会听从老师的谎言，有时他们会即兴发明一条新规则。研究人员将这种方法称为“约束集”。
- “程序”模型（针对人工智能）： 想象人工智能就像一位计算机程序员。人工智能不仅仅是写笔记，而是编写一个微小的计算机程序（一组指令），例如：“如果钥匙上有数字，就检查它是否与盒子匹配。”如果程序失败，人工智能就会重写代码。这被称为“程序合成”。
2. 重大发现：行为相似，但原因不同
研究人员让儿童和人工智能都经历了相同的谜题，有时甚至让钥匙变得“粘滞”（不可靠），导致即使钥匙正确也无法总是打开盒子。
相似之处：
儿童和人工智能都以同样的方式感到困惑。
- 他们怀疑证据： 当一把钥匙未能打开盒子时，两组往往都会想：“也许只是锁卡住了”，而不是立刻意识到“我的规则错了”。他们倾向于给“粘滞的锁”以怀疑的余地。
- 他们在不理解的情况下解决了谜题： 许多儿童（以及人工智能）通过运气或杂乱无章的规则组合打开了所有五个盒子，但当被要求向新盒子解释真正的规则时，他们却失败了。他们完成了任务，却没有学到教训。
不同之处：
- 人工智能是“好学生”： 人工智能严格遵循老师的指令。如果老师说“匹配颜色”，人工智能会首先尝试匹配颜色，即使这显然是错误的。它非常顺从。
- 儿童是“怀疑论者”： 儿童不那么顺从。许多人立即无视了老师的谎言，开始随机测试钥匙。
- “过度观察者”与“观察不足者”：
- 人工智能就像一个机器人，觉得它必须在尝试钥匙之前检查每一个盒子。即使可以猜测，它也会系统地拿起每个盒子来数形状。
- 儿童则像懒惰的侦探。许多人根本不去拿任何盒子。他们根据从远处能看到的东西进行猜测。他们似乎将“拿起盒子”视为一种他们想要避免的成本。
3. 这为何重要
该论文认为，虽然儿童和人工智能都能在不确定环境中解决谜题，但它们的“内部成本”不同。
- 对于人工智能： 检查信息的成本为零。它不会感到疲倦，不会感到无聊，也不介意盲目遵循指令。如果数学计算表明检查所有盒子是确保万无一失的最有效方式，它就会检查每一个盒子。
- 对于儿童： 收集信息存在一种无形的“成本”。这可能是社会性的（他们不想因为拿起盒子而显得愚蠢），或者仅仅是精神能量。因此，他们经常猜测、走捷径，有时甚至在没有真正知道为什么答案正确的情况下得到了正确答案。
结论
研究人员利用人工智能作为“实验对象”（模式生物），以观察当游戏规则改变时会发生什么。他们发现，如果你给予人工智能与儿童所面临的不确定性和不可靠证据相同的环境，人工智能的行为开始更像儿童：它会感到困惑，犹豫是否改变主意，有时甚至偶然解决了谜题。
然而，人工智能在根本上仍然不同：它过于顺从，也过于渴望收集数据。相反，儿童愿意承担风险，无视糟糕的建议，并为了节省精力而跳过步骤。该论文得出结论，要真正理解人类智能，我们需要考虑到机器所不具备的这些思考和观察的隐藏“成本”。
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。