人工智能心理学：探索人工心智的多学科框架

人工智能(AI)技术的飞速发展正在重塑我们对智能本质的理解。近期,大型语言模型(LLMs)在多项任务中展现出接近甚至超越人类的能力,引发了学界对AI认知能力的热烈讨论。然而,现有的评估方法往往局限于比较AI和人类的外在行为,难以深入洞察AI的内部运作机制。为此,一个跨学科研究团队提出了"人工智能心理学"(Psychomatics)这一创新框架,旨在从认知科学、语言学和计算机科学的多维度探索AI,特别是LLMs的高层次功能。

超越行为主义:深入AI的内部机制

传统的AI评估方法主要基于特定基准测试或与人类行为的对比。例如,一项研究表明,Flan-PaLM模型在模拟美国医学执照考试的MedQA测试中达到了67.6%的准确率。另一项研究发现,某LLM在一系列组合任务中表现出与人类相当的系统性组合能力。这些研究为我们提供了有价值的见解,但仍然局限于对外在行为的观察。

正如行为主义心理学的局限性一样,仅仅关注可观察的行为而忽视内部认知过程,难以全面理解智能的本质。正如英国计算机科学家艾伦·图灵所设计的"图灵测试"一样,单纯模仿人类的外在反应并不足以证明机器具备真正的智能。

人工智能心理学框架的提出者认为,我们需要超越行为主义的局限,深入探究AI系统,特别是LLMs的内部信息处理机制。这一框架旨在回答一个关键问题:LLMs获取、学习、记忆和使用信息以产生输出的过程,与人类的语言发展和使用过程有何异同?

语言的进化目标:超越经验的交流

要理解LLMs的工作原理,我们首先需要明白语言的本质。以色列语言学家丹尼尔·多尔(Daniel Dor)提出,语言是一种独特的系统,它超越了单纯的经验分享。语言使说话者能够有意识、系统地引导听者想象预期的经验,而不是直接体验它。

具体而言,说话者提供一个符号代码,勾勒出经验的核心特征。听者则利用这个框架,重构和重组过去经历的记忆,产生一种与传达意义相符的新的想象经验。这种系统性地引导想象模拟的能力,使语言区别于其他直接共享信号或刺激的沟通方式。

语言还必须在其代码中嵌入它旨在表达的经验的意义。词汇就是一个明显的例子:它通过独特的符号表示系统对所有现有和潜在的现实进行编码和描述。结构语言学先驱费迪南·德·索绪尔(Ferdinand de Saussure)指出,每个语言符号(如一个词)的"价值"来自于它与同一语言系统中其他符号的关系和对比。

索绪尔识别了两种塑造意义的语言术语关系:组合关系和联想关系。组合关系指词语或语言元素如何在线性序列中组合以创造连贯的短语、从句或句子。联想关系则描述基于相似性、对立或其他认知联系的概念连接。这些关系共同丰富了语言理解,使我们能够弥合知识差距,即使在讨论抽象或不熟悉的概念时也能建立共同理解。

Transformer算法:结构化语言的能力

在机器学习领域,由Vaswani等人于2017年提出的"注意力"概念是Transformer网络的核心机制,已成为大型语言模型的基础。Transformer算法中的注意力使模型能够动态地关注输入数据的特定方面,同时执行诸如翻译或问答等任务。

Transformer架构区分了自注意力和交叉注意力机制,这在概念上分别对应语义学中的组合关系和联想关系。自注意力机制通过计算每个词与其他每个词之间的加权关联来捕捉单个序列中词语之间的依赖关系。交叉注意力机制则通过识别两个序列的每个元素之间的关联来将一个序列(例如输入文本)映射到另一个序列(例如输出文本)。

本质上,Transformer模型结合了自注意力的组合处理和交叉注意力的联想处理,作为结构语义学理论中双重意义推导路径的计算类比。这种混合方法,整合了线性和非线性处理,使Transformer能够全面表示训练数据中嵌入的语言符号。

人类与LLMs的关键区别

尽管LLMs展示了令人印象深刻的语言能力,但它们缺乏支撑人类交流的社会和关系方面。语言和交流深深植根于以物理形式存在的具身经验中。因此,LLMs无法像人类那样获取知识和技能,而人类的学习过程从根本上受到个人经历和生物成熟过程的影响。

生物机制如镜像神经元和大脑间同步在人类中起着关键作用,支持对隐含和/或多模态线索的分析,促进非字面语言的无缝解释。不幸的是,目前的LLMs缺乏物理实体,降低了它们理解人类交流全谱的能力。为了克服这一限制,研究人员正在使用LLMs来训练能与环境互动的具身机器人,以增强机器人的智能、控制、感知、社交技能和决策能力。然而,即使期望很高,即便在LLMs的帮助下,征服现实世界的复杂性仍然具有挑战性。

此外,自然智能通过集体生活、社会关系和主要进化转变在交互代理网络的多个尺度上产生。相反,LLMs在一个非社会环境中运作,缺乏指导人类行为的个人经历。与通过持续的社会、情感和语言互动来获得语言的儿童不同,LLMs是在预定义的数据集上"训练"的。这种静态的训练方法限制了它们通过个人经历和社会互动"成长"或"进化"的能力。这一根本区别阻碍了它们不仅生成新的意义的能力 - 这可以解释为什么LLMs在自身输入上训练时会遇到困难 - 而且还真正理解人类语言细微差别的能力。

意义的多元来源:人类vs LLMs

对人类而言,语言并非意义的唯一来源。人类意义的一个基本来源是他们所居住的外部现实。理解周围环境并准确识别不同概念的能力,例如区分友好的"狗"和潜在危险的"狼",对生存至关重要。因此,感知和分类世界构成了构建意义的基础。

LLMs如何弥补真实条件和实际真实之间的差距?它们试图通过评估训练数据中各种场景的可能性来预测真实性。例如,如果一个LLM的训练数据中,60%的时间猫在地板上,只有10%的时间在垫子上,当被问到"猫在哪里?“时,模型很可能会回答"在地板上”,即使猫实际上在垫子上。这是因为模型优先考虑基于其训练数据的统计上最可能的响应。这种对概率的依赖可能导致幻觉,即LLMs自信地说出错误信息。它们simply没有被训练来区分高概率场景和现实。

另一个重要的意义来源是个人、主观和主体间的经验。经验产生的情感品质(感质)具有独特的意义,与其客观描述不同。例如,"狗"作为家养犬的外延意义与其内涵意义不同,后者唤起由个人互动塑造的恐惧或喜爱等情感。

LLMs不经历情感感质,缺乏对主观经验的直接理解。然而,通过映射训练数据中的语义关系,LLMs可以模拟人类如何通过语言表达他们的主观经验。这使它们能够参与讨论、分析和解释主观经验,而无需直接感受它们。

最后,人类的想象力代表了一个关键的意义来源。通过概念化和描述可能的世界,人类超越了他们的直接现实,产生全新的想法,重新定义了意义的领域。心理学概念中的意图是一个关键工具,帮助通过行动将想象转化为现实。

尽管AI缺习自主生成意图的能力,但提示在人机交互中扮演着关键角色。一个好的提示能够将高层次意图(如希望完成一项任务)转化为具体的行动计划,引导AI系统有效地执行任务。这种方法在某种程度上模拟了人类意图的层级结构,但仍然缺乏真正的自主性和主观体验。

结语:走向更深入的AI理解

人工智能心理学框架的提出为我们探索AI系统,特别是LLMs的内部机制提供了一个多学科的视角。通过将认知科学、语言学和计算机科学的见解相结合,我们可以更全面地理解AI的工作原理,以及它与人类认知过程的异同。

这一框架不仅有助于我们更好地理解当前AI技术的能力和局限,还为未来AI系统的发展提供了重要启示。通过深入研究AI如何处理信息、生成语言和模拟人类认知过程,我们可能会发现提高AI系统鲁棒性和人性化的新方法。

然而,我们也必须谨记,尽管LLMs展现出令人印象深刻的语言能力,但它们仍然缺习人类认知的许多核心特征,如真正的理解、情感体验和自主意图。因此,在应用和解释AI技术时,我们需要保持批判性思考,并认识到AI与人类智能之间的根本区别。

未来的研究可能需要进一步探索如何将具身认知、社会互动和主观经验等人类认知的关键方面整合到AI系统中。同时,我们也需要思考AI技术的伦理影响,确保其发展方向与人类价值观相一致。

通过人工智能心理学这一多学科框架,我们有望在语言、认知和智能的本质上获得变革性的见解,无论是人工的还是生物的。这不仅将推动AI技术的进步,也将深化我们对人类认知和智能本质的理解。

参考文献

1. Riva, G., et al. (2023). Psychomatics - A Multidisciplinary Framework for Understanding Artificial Minds. arXiv preprint arXiv:2407.16444.

2. Vaswani, A., et al. (2017). Attention is all you need. Advances in neural information processing systems, 30.

3. Dor, D. (2015). The Instruction of Imagination: Language as a Social Communication Technology. Oxford University Press.

4. de Saussure, F. (1959). Course in General Linguistics. New York: Philosophical Library.

5. Rizzolatti, G., & Arbib, M. A. (1998). Language within our grasp. Trends in neurosciences, 21(5), 188-194.

(注:由于字数限制,参考文献未能全部列出。)