人机相似性的结构化框架:证据、推理与感知

《Physics of Life Reviews》:A structured framework for human–AI resemblance: Evidence, inference and perception

【字体: 大 中 小 】 时间:2026年09月23日 来源:Physics of Life Reviews 11.8

编辑推荐:

   •人类与人工智能相似性主张需要明确的比较对象、度量和适用范围。•四大证据类别涵盖行为、表征、过程和生物学。•感知相似性是一种观察者归因,具有因果后果。•仅当独立指标排除替代解释时,收敛性才成立。•该框架对不确定性、缺失证据和相互矛盾的指标进行编码。 **引言** 人工智能

  

•人类与人工智能相似性主张需要明确的比较对象、度量和适用范围。•四大证据类别涵盖行为、表征、过程和生物学。•感知相似性是一种观察者归因,具有因果后果。•仅当独立指标排除替代解释时,收敛性才成立。•该框架对不确定性、缺失证据和相互矛盾的指标进行编码。

**引言**

人工智能如今中介了搜索、写作、翻译、诊断、编程以及越来越多的机构决策过程[1]。对许多用户而言,人工智能的显著体验已不再是隐藏在后台的分类器,而是一个看似能够对话、解释、安慰和提供建议的系统[2,3]。这一转变之所以重要,是因为人们会迅速对类心智线索作出反应[4]。流畅性、自信、记忆和模拟视角可以引发对能动性的归因[5],以及对理解和共情的归因,从而改变人们透露什么、委托什么以及信任什么[6,7]。Reeves和Nass提出人们常常将媒介视为社会行动者之后[8],二十多年过去了,这一倾向已成为人类与人工智能互动的结构性特征,而非界面设计上的一个趣闻[9]。

这一转变所引发的科学问题往往被界定得过于宽泛:在哪些方面,以及在哪些条件下,当代人工智能系统与特定人类群体相似[10]?实际问题相关但并不相同:哪些相似性或差异对于解释、预测、互动和治理至关重要[11]?将"类人性"视为单一属性,容易从一个基准或演示推导出全局性结论。行为仍然是不可或缺的证据,图灵测试的持续相关性说明了这一点[12],但行为上的不可区分性并非对所有科学目的都充分。相似输出可以由不同的表征、学习历史或算法产生,而且感知到的人性可能超过已测量的能力[13]。Marr对计算层、算法层和实现层的区分进一步表明,为什么比较对象、解释层次和测量方法不应被视为可互换的[14,15]。

因此,一个更有信息量的问题是:人工智能系统的哪个属性与哪个人类参照类相似,依据什么度量,在哪些情境和变换下,以及有什么推论后果?相似性可以是刻意的设计目标,可以是基于人类生成数据进行训练的涌现结果,也可以是互动的感知效应。本综述将通常分开讨论的两套文献联系起来。一套将人类与人工智能作为信息处理系统进行比较,考察行为、表征、计算和神经组织[[16], [17], [18]]。另一套考察感知相似性如何塑造信任、依赖、信息披露和道德关切[19]。这两个问题是不同的,但它们越来越多地相互交织:技术属性和界面线索影响归因,而人类的反应又改变了未来系统学习的环境和数据。因此,我们既考虑理解人类与人工智能相似性的内在科学价值,也考虑其对开发和部署的后果。

多维前提并非新事物。Mitchell和Krakauer[20]区分了语言模型中竞争性的"理解"含义;Hussain、Mata和Wulff[21]按照设计规格、内部状态和行为组织人类与大型语言模型的比较,并描述了一种锯齿状对齐的模式;Palminteri和Wu[22]在机器意识的特定语境下对比了计算等价与行为推断。我们继承的结论是:相似性在不同属性之间存在差异,并不在全局上成立。

我们的贡献在于细化分析单位和推断工作流程。我们将比较对象、解释层次、度量关系和观察者归因分离开来;将相似性形式化为关于情境、变换和干预的条件关系;为不确定性、缺失证据和依赖指标提供报告规则;并通过因果交互模型整合感知相似性。由此生成的画像不是新的心理学类别或通用分数,而是关于已确立和未确立事项的有结构摘要。

每一项相似性主张都有一个参照类。"人类"可能指代特定文化群体、年龄组、专业水平、临床群体或个体差异分布。参照类必须与任务和测量条件相匹配,异质性应被报告而非被平均消除。人工智能一侧同样需要一个命名的系统、版本、提示协议、解码设置和后训练历史。没有这些规格说明,不同研究之间的表面分歧可能反映的是不同的比较对象,而非科学上的不一致。

比较的目标可以是输出分布、错误结构、表征、变换、学习轨迹、目标、神经反应、生理约束或互动结果。目标可以在计算层、算法层、实现层或社会层进行研究,使用的方法可能是对称的或方向性的、静态的或动态的、观察性的或干预性的。这些区分防止将"生物学"当作与"机制性"平行的层次来处理,也防止将诸如表征相似性分析、回归或思维链之类的测量方法与它可能支持的推断混为一谈。

相似性总是相对于一个度量及一组允许的变换而言的。精确等价很少见;大多数主张涉及的是在应预先指定或论证的容差范围内的近似对应。一种关系可能对释义不变,但对激励不不变;对图像退化不变,但对线索冲突不变;对线性基变换不变,但对非线性重映射不变。多尺度系统也可以在一个空间或时间分辨率上彼此相似,而在另一个分辨率上产生分歧。因此,该框架将尺度、不变性和可识别性作为主张的一部分,而非事后补充。

这一概念综合将可解释相似性主张中结合在一起的要素分离开来。比较规格明确了人类参照类、人工智能系统及版本、任务和情境、学习历史和激励、以及主张预期成立所涉及的变换或干预。证据可能涉及行为输出、表征组织、过程动态或神经与生理对应。这些类别并非互不重叠的解释层次:例如,同一种表征方法既可以比较模型状态与人类判断,也可以比较神经活动。测量层区分了对称相似度、方向性预测、轨迹距离和因果干预,以及信度、噪声天花板和不确定性。推断层说明了结果支持什么,以及哪些替代解释仍然存在。感知相似性被单独展示为一条观察者归因路径,从模型和界面线索到信任、依赖、信息披露、委托和道德关切。

我们使用四大证据类别作为实用标题:行为与功能证据、表征证据、过程与动态证据,以及神经或生理对应。它们组织了本综述,但不被提议为正交轴。一项研究可以占据多个类别,同一种方法也可以根据比较目标服务于不同的比较。感知相似性不是第五个共享认知的证据类别;它是一种具有前因和行为后果的观察者归因。该框架因此区分了比较什么、如何测量以及推断什么(图1;表1)。

当每一项相似性主张被明确规格化时,这一架构便具有操作性。设R表示人类参照总体或分布,A表示指定的人工智能系统及版本,C表示任务和互动情境,T表示被比较的属性,M表示度量关系,P表示变换或干预集合,U表示信度和不确定性信息,I表示允许推断。一项相似性主张可以表示为有序规格?R, A, C, T, M, P, U, I?。这一记法刻意不采用标量形式。行为相似性可以定义为响应分布之间的有界距离;表征对应可以定义为在允许映射下关系结构的保持;动态相似性可以定义为状态轨迹之间的相似度;因果相似性可以定义为在匹配干预下的对应变化;神经对应可以定义为模型状态与生物测量之间的受限关系。在所有情况下,度量、容差和变换类决定了"相似"的含义。

更明确地说,对于预指定的度量关系M(距离为DM)和研究特定的容差ε,四种常见的相似性关系可以表述为:

DM[PR(Y|C), PA(Y|C)] ≤ εB(行为)

d_rep(R, A) = inf_{φ∈Φ} DM[GR, φ(GA)] ≤ εR(表征)

d_dyn(R, A) = τ^{-1} ∫?^τ DM[xR(t), ψ(xA(t))] dt ≤ εD(动态)

DM[ΔR(p), ΔA(p)] ≤ εC, p∈P; ΔS(p) = QS[do(p)] ? QS[do(p?)](因果)

此处PR和PA为响应分布;G为表征几何;Φ为映射类;ψ为映射;x(t)为状态轨迹;τ为比较时长;ΔS(p)为从基线p?出发的干预对比。容差不是通用的:它们应预先指定,或从测量信度、抽样不确定性和(在相关情况下)决策成本出发加以论证。仅通过增加映射灵活性而获得的更短距离并不能确立更强的相似性,除非映射类预先固定或其复杂度受到明确惩罚。方框1总结了对应的推断要求。

这些要素共同构成了一套可重复的报告序列:(1)识别人类样本及其异质性;(2)识别模型、版本、解码设置和后训练;(3)定义任务、激励、具身性和社会情境;(4)说明目标属性以及度量是对称的还是方向性的;(5)建立信度、构念效度和任何噪声天花板;(6)针对主张检验留出一半的案例、扰动或干预;(7)报告效应估计、不确定性、缺失证据和相互矛盾的指标;(8)同时说明所支持的结论和显著的替代解释。第6节将此序列应用于证据编码。

感知相似性被保留在此编码序列之外,而作为交互变量来处理。用户和机构对输出和界面线索作出反应,而非直接对潜在空间或编码模型作出反应[23]。流畅性、人设、记忆声明、视觉具身、品牌和框架都可能影响心智归因,进而在已测能力保持不变的情况下影响信任、信息披露和委托[6,24]。相反,显著的错误可以减少对有能力系统的信任[25]。这些效应值得因果研究,但它们不应被计为系统共享人类认知过程的证据。

在这一区分基础上,近期的技术发展使得跨四大证据类别的结构化比较成为可能。语言模型可以被施测推理任务、经济博弈和心理学工具,尽管施测并不能确立某一工具在人类和模型中测量的是同一个构念[[26], [27], [28], [29]]。视觉模型可以与人类相似性判断、神经记录和线索冲突下的感知进行比较[30,31]。机制可解释性可以定位候选回路[32],而神经科学提供了定量的模型-大脑基准[17]。关于机器共情、创造力和意识的讨论在科学上也是合理的,并日益严谨[[33], [34], [35], [36]]。在这些领域跨领域,反复出现的问题是将关于某一属性的证据推广到另一属性,却没有明确的论证。

这是一篇选择性、理论驱动叙事性综述,而非系统性证据普查。所研究案例说明了反复出现的比较设计、重要混淆因素和相关相似性关系,同时区分已确立的方法学要点和示范性或有争议的发现。讨论从四大证据类别转向工作示例和证据依赖,然后回到感知相似性作为因果交互层。理论轻量探索与本方法相容:可以发现意外的规律性,而框架规定了它们应如何报告和解读[37]。

**章节摘要**

**行为与功能证据**:行为证据询问在相同协议下,人类和模型是否产生相似的输出、错误、校准模式和轨迹。最终答案匹配是一个弱标准,因为系统可以达到相同分数但犯不同的错误、对不同框架作出不同反应或在不同变化下失败[38]。相关可观察指标包括响应分布[39]、混淆矩阵[40]、校准[41]、题目层面难度、反应时或延迟。

**表征对应:几何与映射**:表征证据询问两个系统是否以相关方式组织刺激或概念。目标可以是人工智能隐藏状态、人类相似性判断、行为嵌入或神经群体编码。因此,表征对应本身并不是"机制性的"或"生物学的";其地位取决于比较什么以及得出什么推断。共享行为可能来自不同的几何结构,而即使任务表现不佳,有用的对应关系也可能存在。

**过程与动态相似性:算法、轨迹与干预**:过程相似性是对信息如何从输入变换到输出的推断。支持该推断的证据可以包括反应时特征、学习轨迹、生成的推理、内部激活、消融或局部回路[91]。这一区分很重要:思维链序列是一个可观察的模型输出,因此直到干预表明所代表的步骤在因果上参与为止,它都是行为证据。

**神经与生理对应:预测、对称性与分辨率**:神经和生理证据询问指定系统的状态是否与已测量的生物活动、动态或约束相对应。这主要是一个比较目标和测量领域,而非与"机制"平行的解释层次。神经数据可用于比较表征、轨迹或因果响应。

常见的分析测试模型特征是否预测神经测量值,表征几何结构是否共享,或者架构是否捕捉...
工作示例:证据编码与不确定性
前述章节产生了不同的、特定指标的证据形式。表 2 将报告协议应用于四组研究家族。对于这些示例,“支持”意味着满足了预先指定的等价性、预测或干预标准;“不一致”意味着可信的测量值发生冲突;“不确定”意味着不确定性、可靠性或构念效度阻碍了方向性结论;而“未评估”意味着未收集所需证据。这些类别是对...的总结而非...
收敛性、依赖性与分离性
一旦特定指标的结果在目标和测量上进行编码,分歧是可以预期的且具有信息量。分离性可能揭示出系统匹配人类输出但不匹配所使用的特征,或者它共享表征几何结构但不匹配选择,或者它预测神经活动但在行为扰动下无法存活 [137,138]。一致性也需要解释。如果它们是...,多个正面指标并不自动构成独立的三角测量。
作为因果交互层的感知相似性
感知相似性需要单独的因果处理,因为它涉及观察者如何体验和分类人工智能系统,而不是共享认知的直接证据。它可能由可测量的性能产生,但也由界面设计、人格、语音、记忆声明、个性化、框架和品牌产生。我们提出以下因果序列作为可测试的组织模型:模型和界面线索影响感知的能力、温暖度、能动性和体验能力;
按应用选择比较和设计目标
每种相似性关系(包括感知相似性)的相关性取决于科学或实际角色。因此,该框架既服务于内在的科学探究,也服务于应用匹配评估。研究人员可能会调查一种意想不到的相似性,因为它能提供认知理论的信息,即使在其实际意义已知之前。相比之下,开发人员和机构必须决定哪些对应关系对角色有用,哪些差异应该被...
结论
人类 - 人工智能相似性不是一成不变的事物,但也不能由一组平行轴的列表充分表示。一个可辩护的主张指定了一个人类参照类、一个人工智能系统及其版本、一个任务和上下文、一个比较目标、一个测量关系、一个扰动集、不确定性和一个推断边界。行为、表征、过程动力学和神经比较提供了互补但重叠的证据家族,而感知相似性属于一个相关的...
关于手稿准备过程中生成式人工智能和人工智能辅助技术的声明
在本工作准备期间,作者使用了 ChatGPT(OpenAI)来支持语言编辑。使用此工具后,作者根据需要审查和编辑了内容,并对已发表文章的内容承担全部责任。
利益冲突声明
作者声明他们没有任何已知的竞争性经济利益或个人关系,这些利益或关系可能看似影响了本手稿中报告的工作。
致谢
本工作由加拿大脑神经可塑性卓越研究主席、比利时国家科学研究基金会(FNRS)、长江学者计划(中国)、沙特阿拉伯利雅得沙特国王大学国王萨尔曼残疾研究中心的大胆残疾创新计划、欧洲生物医学研究基金会(FERB Onlus)以及比利时国王博杜安基金会的 Generet 基金资助。
王鹏 | 吕佩怡 | 邹立叶 | 蒋伊 | 拉尔夫·赫特维希 | 弗雷德·帕斯 | 史蒂文·劳雷伊
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号