AI心理模型：受限神经网络中的学习直觉与 deliberation

本文询问受限神经网络架构是否能在经典64题 syllogistic 推理基准上表现出直觉与 deliberation之间的有意义的劳动分工。更广泛地，该基准与关于世界模型和多阶段推理在AI中的讨论相关。它提供了一个受控环境，用于测试学习系统是否能发展出结构化的内部计算，而不仅仅是一种一次性关联预测。实验1评估了直接神经基线在5折交叉验证下预测完整9向人类响应分布的能力。实验2引入了一个受限双路径架构，其中包含独立的直觉和 deliberation 路径，灵感来自计算心理模型理论(Khemlani & Johnson-Laird, 2022)。在交叉验证下，受限直觉达到r = 0.7272的聚合相关性，而受限 deliberation 达到r = 0.8152的相关性，deliberation优势在各折中显著(p = 0.0101)。最大的held-out收益发生在NVC、Eca和Oca，表明改进了对拒绝响应和c-a 结论的处理。一个标准的80:20可解释性运行和五种随机种子稳定性扫描进一步表明，deliberation路径发展出稀疏、差异化的内部结构，包括一个Oac倾向状态、一个占主导地位的工作horse状态，以及几个弱使用或未使用的状态，其确切索引在不同运行中各不相同。这些发现在受限条件下与推理样的内部组织相一致，但不得不承认该模型尚未复制模型构建、反例搜索和结论修订的完整顺序过程。