机器无法复制的神秘的人类学习过程

人工智能大语言模型（LLM）的运作前提是：通过尽可能多地搜集信息，利用概率模型进行处理，并执行复杂计算以做出预测并得出最优解，从而解决任何问题。

大语言模型的另一项前提假设是，它们模拟了人类大脑的运作方式。这正是计算机能够模拟人类智能的根本原因，也是人工智能既令人着迷又令人恐惧的原因之一。如果人工智能解决问题的能力和速度都优于人类，那我们还需要人类做什么呢？

不过，致力于深入研究人类思维方式的斯坦福商学院组织行为学副教授Douglas Guilbeault认为，我们的大脑并不是这样运作的。

“诚然，人类思维的某些方面确实涉及到预测，” 他说，“而且有时我们确实需要解决理性层面的问题。如果是按这种方式定义，比如参加考试或解答特定的智力题，那么人工智能的表现完全可能与人类相当，甚至在某些情况下更胜一筹。但人类生活中还有许多其他迷人且错综复杂的方面，涉及到思维、行为与社会环境之间极其微妙而深刻的互动。”

现实世界远比大语言模型所理解的要复杂得多，而且有许多事物是我们无法知晓的。坐在我们对面的人究竟在想什么？他们又是如何看待我们的？生活中充满了不确定性。此外，人类的神经元数量是有限的。我们无法像人工智能公司扩建数据中心那样去扩充大脑，只能利用现有的条件来应对。

“当你观察现实生活中的人类行为时，” Guilbeault说道，“你会发现在绝大多数情况下，人们在需要做决定时所掌握的数据都非常有限，且无法获取那些能让人对结果建立高度信心的必要数据。又或者，人们可能只是因为懒惰、分心，或者单纯受限于自身处理和理解信息的能力。”

诺贝尔经济学奖得主、组织行为学学科奠基人之一Herbert Simon将这种决策方式称为“满意原则”：人们只需要收集足够多的信息，直到能够凭直觉得出一个令人满意的结论为止。从历史上看，这种方式对人类而言效果并不差。在任何人能够绘制出完整的世界地图之前，人们就已经建造了城市、开辟了贸易路线并构建了国际金融市场。爱因斯坦仅利用一个关于火车和闪光的思想实验便推导出了狭义相对论。

“当你观察现实生活中的人类行为时，会发现在绝大多数情况下，人们都是在数据极度匮乏的环境下做出决策的。”
– Douglas Guilbeault

这种方式并不仅仅适用于天才：普通幼儿虽然无法阅读词典或教科书，却能通过聆听周围的对话来学会语法规则，并实现从咿呀学语到组织完整句子的认知飞跃。语言学家提出了一个名为“容忍原则”的方程，用于精确计算儿童需要多少信息，才能从看似混乱的语言环境中理出头绪、建立秩序。

Guilbeault在宾夕法尼亚大学攻读博士学位期间，曾与朋友Spencer Caplan一同参加了语言学与认知科学教授Charles Yang开设的研讨课。Yang的研究兴趣在于人类如何学习规则和语言。在合作过程中，他和Caplan、Guilbeault开始思考：儿童学习语法的方式与人们学习社会规则的方式之间，是否存在某种联系？

此前的研究人员普遍认为，人类学习社会习俗的方式与大语言模型学习生成内容的方式是类似的：即通过模仿或优化，吸收并处理足够的信息，从而能够预测在任何特定情境下应采取何种行动。然而，Guilbeault、Caplan和Yang提出了另一种假设：成年人学习社会规范的方式，或许就像他们当年学习语言那样，遵循的是“满意原则”。如果是这样，是否存在一个像“容忍原则”那样可量化的阈值呢？

最近，Guilbeault和目前任职于纽约市立大学研究生中心的Caplan以及Yang再次联手开展了一系列实验，并将相关研究成果发表在《美国国家科学院院刊》上。

游戏揭示了规则

研究人员曾考虑通过包括社交媒体在内的多种场景来验证他们的“阈值理论”，但最终决定采用游戏的形式，因为游戏环境更易于受控。Guilbeault说道：“如果我们连游戏这种极简环境下的行为模式都无法理解，又怎么能理解人们在复杂得多的现实环境中的行为呢？”

第一个游戏被称为“起名游戏”。研究人员向一组参与者（人数分别为24、48或96人）展示一张人脸照片，并要求他们为其起名。如果多名参与者给出了相同的名字，他们就会获得奖励。参与者之间无法交流，也无法商量如何推广某个特定的名字。游戏会进行多轮，直到群体达成共识。实验结果表明，无论群体规模大小，达成共识通常需要20到30轮。

然后，研究人员利用基于人类学习理论的四种不同模型，对各组的选择进行了分析。“容忍原则”给出了最佳解释：起初情况较为混乱，直到越来越多的参与者意识到某种社会规则正在起作用，并开始重复那个占主导地位的名字。一项后续实验显示，如果在群体中安插极少数持异议者，一旦反对者的比例达到25%，原有的共识就可能被推翻。

第二个游戏是“读心游戏”。参与者需要预测他人会选择红色还是蓝色，尽管过程中存在矛盾信息和其他“噪音”干扰。结果同样显示，“容忍原则”最能准确预测参与者的行为。

Guilbeault说道：“研究表明，‘容忍原则’在捕捉实际发生的情况方面最为成功。这说明，当我们试图推断他人的真实想法和意图时，尽管能观察到的信息非常有限，但‘容忍原则’也许能够揭示帮助人们相互理解及建立社会联系的某种根本性机制。我认为，这些简单的规则蕴含着强大的力量；尽管存在信息鸿沟，它们也能有效地帮助我们找到共识并实现协作。” 令人惊叹的是，这一过程竟然能用一个简单的方程式来概括。

Guilbeault计划在社会行为领域的其他方面，特别是他主要的研究兴趣之一“社会传染”方面，继续探索“容忍原则”的应用。

他还想强调，这种从困惑到理解、充满直觉与想象力的思维飞跃，正是人类智能区别于机器智能的关键所在。

“我们往往把那种从‘不太理解’到‘突然领悟要义’的过程视为理所当然。” 他说，“但这一核心过程至今仍充满奥秘。我致力于推动对这一课题的关注，因为我认为，在当前关于人工智能领域的探讨中，这一点在很大程度上被忽视了。”