我们的方式：概念融合、神经动力学与 LLM 中的提示诱导的转变
计算与语言
2025-05-19 v1 神经元与认知
摘要
大型语言模型 (LLM) 受神经科学的启发，展现出常常唤起人类 personality 与智能感受的行为——然而这些效果背后的机制仍然鲜为人知。本文将概念融合理论 (CBT) 作为实验框架，通过基于提示的方法揭示 LLM 如何融合与压缩意义。通过系统性地考察提示诱导的转变 (PIT) 与提示诱导的幻觉 (PIH)，我们发现人工认知与生物认知之间存在结构性的类比与差异。我们的ethods 连接了语言学、神经科学与实证人工智能研究，表明人类与 AI 协作可作为认知科学未来的活体原型。本工作提出，提示工程不仅是一项技术工具，更是探究意义本身深层结构的科学方法。
引用
@article{arxiv.2505.10948,
title = {The Way We Prompt: Conceptual Blending, Neural Dynamics, and Prompt-Induced Transitions in LLMs},
author = {Makoto Sato},
journal= {arXiv preprint arXiv:2505.10948},
year = {2025}
}