大规模合成人类与机器推理的符号模型

arXiv:2611.07088v1 公告类型：交叉发布 摘要：符号模型为认知提供了强有力的解释，但其适用范围长期以来一直受限于对人工设计的依赖以及计算可处理性的要求。我们展示了人工智能（AI）的进步如何扩大符号建模的规模，并帮助克服这些工程限制。我们提出 Behavior-Conditioned Symbolic Synthesis（BCSS）——一种自动搜索可解释、确定性符号程序的方法，这些程序能够以可验证的方式复现行为——并将其用于对人类和机器在数百个具有挑战性的推理问题中的行为进行建模。对这些程序的分析表明，人类和机器都倾向于过度简化，采用只能部分解释其观察结果的规则，并错误推断问题特征之间的依赖关系。这些共同特征受到可用资源的调节，而推理投入能够预测机器简化和解释其观察结果的程度。总体而言，这些结果表明，人类和机器都存在类似于满意化决策的底层机制，并说明 BCSS 为解释和比较人类与黑箱 AI 系统基于规则的推理提供了一种通用方法。