将他人心智建模为代码
人工智能
2025-10-03 v1 机器学习
摘要
准确预测人类行为对于稳健且安全的人机协作至关重要。然而，现有的建模人的方法通常需要大量数据且脆弱，因为它们要么对理性做出不切实际的假设，要么计算需求过高而无法快速适应。我们的核心见解是，许多日常社会互动可能遵循可预测的模式；即最小化行动者和观察者认知负荷的高效“脚本”，例如“等绿灯，然后通行”。我们提出将这些例程建模为以计算机代码实例化的行为程序，而不是以信念和欲望为条件的策略。我们引入了 ROTE，一种新颖的算法，它利用大语言模型（LLMs）来合成行为程序的假设空间，并利用概率推理来对该空间上的不确定性进行推理。我们在一组网格世界任务和大规模具身家庭模拟器中测试了 ROTE。ROTE 从稀疏观测中预测人类和 AI 行为，在样本内准确率和样本外泛化方面比竞争基线（包括行为克隆和基于 LLM 的方法）高出多达 50%。通过将动作理解视为程序合成问题，ROTE 为 AI 系统在现实世界中高效且有效地预测人类行为开辟了一条道路。
引用
@article{arxiv.2510.01272,
title = {Modeling Others' Minds as Code},
author = {Kunal Jha and Aydan Yuenan Huang and Eric Ye and Natasha Jaques and Max Kleiman-Weiner},
journal= {arXiv preprint arXiv:2510.01272},
year = {2025}
}