大语言模型在抽象推理中表现出类似人类神经认知的迹象
神经元与认知
2025-08-15 v1 人工智能
计算与语言
摘要
本研究探讨了大语言模型（LLMs）是否在抽象推理中模拟人类神经认知。我们将人类参与者的表现和神经表征与八个开源 LLM 在抽象模式完成任务上的表现进行比较。我们利用任务中模式类型差异作为 EEG 记录的固定相关电位（FRPs）的特征。我们的发现表明，仅最大的一批测试 LLM（约 700 亿参数）实现了与人类相当的准确率，Qwen-2.5-72B 和 DeepSeek-R1-70B 也显示出与人类模式特定难度轮廓的相似性。关键的是，所有测试的 LLM 在其中间层中形成将抽象模式类别聚类在内的表征，尽管这种聚类强度随其在任务上的表现而变化。观察到中度正相关的 LLM 最优层的表征几何与人类前额 FRPs 之间。这些结果与与其他 EEG 测度（响应锁定 ERP 和静息 EEG）的比较结果不一致，表明可能存在用于抽象模式的共享表征空间。这表明 LLM 可能在抽象推理中模拟人类大脑机制，为生物智能与人工智能之间共享原则提供了初步证据。
引用
@article{arxiv.2508.10057,
title = {Large Language Models Show Signs of Alignment with Human Neurocognition During Abstract Reasoning},
author = {Christopher Pinier and Sonia Acuña Vargas and Mariia Steeghs-Turchina and Dora Matzke and Claire E. Stevenson and Michael D. Nunez},
journal= {arXiv preprint arXiv:2508.10057},
year = {2025}
}
备注
Presented at the 8th Annual Conference on Cognitive Computational Neuroscience (August 12-15, 2025; Amsterdam, The Netherlands); 20 pages, 11 figures