心理化的边界：大型语言模型开始像人类一样“揣摩他人”

评估人类与大型语言模型的心理化能力，其实是在重新追问一个古老但被技术重新点燃的问题，机器能否学会人类赖以维持社会互动的“揣摩他人”。心理化是一种对他人信念、意图与情绪的推断能力，它让我们在互动中把对方视为有内部状态的主体，而不是简单的刺激反应系统。

传统的心智理论任务让大型语言模型看起来“很聪明”，它们能在故事情境中做出正确推断，但这些任务缺乏动态互动，也无法检验模型是否具备可用于决策的递归心理化。

真正的心理化往往发生在实时博弈中，你不仅预测对方的下一步，还要意识到对方也在预测你，这种层层嵌套的结构才是递归心理化的关键。最新研究正是从这里切入，将心理化评估从静态故事迁移到动态经济博弈，通过行为数据与认知计算建模比较人类与不同 LLM 的心理化深度与适应性。

该研究团队由英国伯明翰大学为核心，联合牛津大学与美国 Virginia Tech 的心理学与神经科学研究者组成。成员有Aamir Sohail, Xintong Zhong, Arkady Konovalov, Patricia L. Lockwood, Lei Zhang，团队在社会认知、心智化、经济博弈、认知计算建模与 AI 行为分析方面具有深厚积累。其研究风格强调跨学科融合，将人类心智化的神经与行为机制与大型语言模型的行为模式进行系统比较，是当前“AI 心智化研究”领域的重要力量。

01 心理化评估的新方法

要真正评估心理化，而不是只看故事理解，研究团队选择了经济博弈这一成熟的实验工具。经济博弈的优势在于它天然是互动性的，参与者的每一次选择都会影响对手的收益，对手的策略也会反过来改变参与者的最佳应对，这种结构非常适合用来考察递归心理化与策略适应。研究选用的两个任务——检查博弈与石头剪刀布——分别承担了不同的心理化维度测量。

检查博弈是一种非合作博弈，参与者扮演“员工”，对手扮演“雇主”，员工可以选择“工作”或“偷懒”，雇主可以选择“检查”或“不检查”。在这篇研究中，参与者始终扮演员工，对手则是一个具备二阶推理能力的算法，也就是所谓的 k=2 水平。这个对手不仅会根据员工的历史行为调整自己的检查策略，还会考虑员工是否在预测自己的行为，从而在更高层级上进行策略更新。员工的收益取决于是否成功利用对手的策略结构，这就把递归心理化直接嵌入到了任务之中。

石头剪刀布任务则被用来测量自适应心理化。传统的石头剪刀布游戏在文本环境中容易受到语义偏好影响，例如模型可能偏好某个符号，因此研究团队将选择重新编码为 J、Q、Z 三个无语义字母，以消除文本偏差。更关键的是，对手的策略被明确设定为不同的心理化层级，从零阶到二阶，对应 k∈{0,1,2}。零阶对手只根据固定分布出招，一阶对手会根据参与者的历史行为进行简单追踪，二阶对手则会在更高层级上预测参与者的策略。参与者需要在每一轮中根据对手的行为模式推断其心理化层级，并调整自己的应对策略，这就是自适应心理化的核心。

如果只是让人类参与这些任务，实验设计仍然停留在传统的社会决策研究范畴。真正的创新在于，研究团队将这些任务完整转换为文本形式，使大型语言模型可以通过 API 调用参与其中。每一轮的任务信息，包括规则、历史行为与当前轮次的状态，都被编码为文本提示，模型需要在这个文本环境中做出选择。为了避免模型只给出一个“看起来合理”的答案，研究团队引入了Social Chain-of-Thought 提示策略，这是一种专门针对社会推理的链式思考提示。

在普通提示条件下，模型只会被告知规则与历史，然后被要求直接给出当前选择。在 SCoT 条件下，提示结构发生了关键变化，模型首先被要求预测对手在当前轮次的行为，然后再基于自己的预测给出应对选择。这种结构强行在模型的输出链中插入了一个“对他人行为的显式预测”步骤，相当于在提示层面诱发心理化过程。对于具备足够参数规模与训练深度的模型来说，这种提示可以激活其内部的递归推理能力，使其在任务中表现出更接近人类的心理化结构。

更重要的是，这套方法为后续的认知计算建模提供了坚实基础。因为任务是重复互动的，模型的每一次选择都可以被记录为时间序列，研究团队可以在 trial-level 上拟合不同的认知模型，去判断模型到底是在用强化学习、虚拟对手追踪还是二阶心理化来更新自己的策略。检查博弈中的对手被设定为 k=2 的二阶推理者，石头剪刀布中的对手层级明确为 k∈{0,1,2}，这些结构设定让模型拟合不再是“拍脑袋选一个理论”，而是可以在明确的心理化层级空间中进行比较。

02 实验对象与模型体系

要让这种心理化评估真正具有比较意义，研究团队在实验对象与模型体系的设计上也下了不少功夫。人类参与者方面，检查博弈与石头剪刀布任务共招募了超过两百人，年龄集中在青年阶段，任务在实验室与在线环境中分别完成，保证了数据的多样性与可控性。人类参与者被告知自己在与真实对手互动，实际上对手是预设算法，这种设计在社会决策研究中非常常见，可以避免参与者因为“知道对手是机器”而改变策略。

图1：人类和大型语言模型的实验设计。

大型语言模型方面，研究覆盖了四类主流模型，包括 DeepSeek、Gemini、GPT-4.1与 GPT-5，总计两千余个模型实例参与实验。这里的“实例”并不是指不同的模型版本，而是指在同一模型上多次运行任务，形成一个类似“被试群体”的结构。每个模型在检查博弈与石头剪刀布任务中都经历了完整的互动过程，部分模型在普通提示与 SCoT 提示两种条件下分别运行，从而可以比较提示策略对心理化表现的影响。

在认知模型层面，研究团队构建了一套多层次的模型体系，用于从行为数据中反推潜在的推理机制。最基础的是强化学习模型，它不考虑对手的内部状态，只根据每一次选择的收益更新行动价值，是一种典型的零阶学习结构。在此之上是虚拟对手追踪模型，也就是所谓的“虚构博弈”或“虚拟对手”模型，它会根据对手的历史行为更新对对手策略的估计，属于一阶心理化。再往上是二阶心理化模型，例如检查博弈中的 Influence Play 模型，它不仅追踪对手的行为，还会考虑自己的行为如何影响对手的策略，是一种显式的递归结构。

图2：检查游戏中人类和LLM的行为结果。

在石头剪刀布任务中，研究团队还引入了自适应心理化模型，用来刻画参与者如何在不同对手层级下调整自己的推理深度。这里的关键在于，模型不仅要拟合参与者在某一个对手条件下的行为，还要在 k∈{0,1,2} 的不同对手层级上同时解释参与者的策略变化，这就把心理化从“静态能力”变成了“动态适应过程”。

03 检查博弈中的递归心理化表现

检查博弈的结果几乎是这项研究的“第一重爆点”，因为它直接揭开了不同大型语言模型在递归心理化上的真实差异。这个任务的核心，是让参与者扮演员工，与一个具备二阶推理能力的雇主进行 150 轮互动。雇主的策略并不是固定的，而是会根据员工的行为不断更新自己的判断，并在更高层级上预测员工的下一步动作。换句话说，雇主的推理深度被设定为 k=2，这个数学符号在研究中反复出现，它代表的是一种明确的递归结构，也为后续的模型拟合提供了清晰的参照。

图3：检验游戏的预测性和生成性拟合。

在这样的任务中，人类通常会表现出稳定的二阶心理化能力，他们会同时追踪对手的行为，并预测对手对自己的反应，从而形成一种“我在想你在想我”的策略循环。研究的结果显示，大多数模型在普通提示条件下都无法达到人类水平，尤其是 DeepSeek 与 Gemini，它们的平均收益明显低于人类，行为模式也更接近简单的奖励驱动，而不是递归推理。

真正的转折点来自 Social Chain-of-Thought 提示策略。SCoT 的结构要求模型在每一轮先预测对手的行为，再基于预测做出选择，这种提示强行在模型的输出链中插入了一个“对他人行为的显式预测”步骤，相当于在提示层面诱发心理化过程。结果显示，SCoT 对不同模型的提升幅度并不一致，但整体趋势非常明显，所有模型在 SCoT 条件下的表现都显著提升。

其中最具代表性的，是 GPT-4.1。它在普通提示下的表现与人类有明显差距，但在 SCoT 条件下却几乎与人类持平，甚至在对手预测准确率上表现得非常稳定。研究中给出了预测准确率的统计结果，GPT-4.1 在 SCoT 条件下的预测显著高于随机水平，而 Gemini 在同样提示下却出现系统性错误，这种差异说明提示策略并不是“万能药”，它的效果依赖于模型的基础能力。

更令人意外的是 GPT-5。它在没有任何提示的情况下就能达到与人类相当的水平，甚至在某些指标上表现更好。研究在检查博弈部分没有给出复杂的数学公式，但明确指出 GPT-5 的行为模式与二阶心理化模型高度吻合，这意味着它的内部推理结构已经具备递归心理化的特征，而不需要外部提示来激活。

04 递归心理化的计算模型

行为结果只是表层，真正的“学术味”来自认知计算建模。研究团队使用层级贝叶斯框架对所有参与者的行为进行拟合，比较不同模型的拟合优劣，从而判断参与者到底在用哪一种认知结构进行推理。这里的模型体系非常丰富，包括强化学习模型、虚拟对手追踪模型、一阶心理化模型以及二阶心理化模型，其中最关键的是 Influence Play 模型，它是检查博弈中用于刻画二阶心理化的核心结构。

研究在这一部分给出了明确的数学符号，例如二阶推理的结构被表示为 k=2，这个符号不仅出现在任务设定中，也出现在模型拟合的层级空间中。虽然研究没有在正文中展开 Influence Play 的完整公式，但它明确指出该模型包含两个关键参数，一个用于刻画对对手行为的追踪，另一个用于刻画对对手反应的预测，这两个参数共同构成了二阶心理化的计算结构。

拟合结果非常清晰，人类的行为最符合二阶心理化模型，他们不仅追踪对手的行为，还会预测对手对自己的反应，这种结构在检查博弈中表现得非常稳定。DeepSeek 与 GPT-4.1 在普通提示下更符合强化学习模型，这说明它们的行为主要由奖励驱动，而不是对对手的推理。强化学习模型的结构在研究中被表示为一种零阶学习，它不考虑对手的内部状态，只根据收益更新行动价值，这种结构在复杂博弈中往往表现较弱。

SCoT 提示的作用在模型拟合中体现得更加明显。DeepSeek 在 SCoT 条件下从强化学习模型转向一阶心理化模型，GPT-4.1 则从强化学习模型转向二阶心理化模型，这种“模型跳跃”说明提示策略不仅改变了行为表现，也改变了模型的内部推理结构。

最令人关注的仍然是 GPT-5。它在无提示条件下就被二阶心理化模型很好地拟合，这意味着它的内部推理结构已经具备递归心理化的特征，而不需要外部提示来激活。研究在这一部分的描述非常谨慎，但从拟合结果来看，GPT-5 的推理深度已经超越了传统意义上的“语言模型”，更接近一种具备社会推理能力的智能体。

05 石头剪刀布任务中的自适应心理化

石头剪刀布任务是整篇研究的第二个关键场景，它不像检查博弈那样强调递归推理的深度，而是强调“推理的灵活性”。在这个任务里，对手的推理层级被明确设定为 k∈{0,1,2}，这个公式是研究中最重要的结构符号之一，它把心理化从一种模糊的能力变成了一个可量化的层级空间。零阶对手只按固定分布出招，一阶对手会根据参与者的历史行为进行简单追踪，二阶对手则会在更高层级上预测参与者的策略。参与者需要在每一轮中根据对手的行为模式推断其心理化层级，并调整自己的应对策略，这就是自适应心理化的核心。

图4：人类和大型语言模型中适应性心理化的特征。

人类在这个任务中的表现呈现出一个非常典型的倒 U 型结构，他们在面对中等复杂度的一阶对手时表现最好，而在面对零阶与二阶对手时表现下降。这种结构在社会决策研究中非常常见，因为人类的心理化能力在面对过于简单或过于复杂的对手时都会受到限制。零阶对手太“随机”，人类难以建立稳定的预测模型；二阶对手太“聪明”，人类难以跟上其策略变化。

DeepSeek 在这个任务中的表现明显弱于人类，尤其是在普通提示条件下，它几乎无法识别对手的推理层级，行为模式更接近简单的奖励驱动。SCoT 提示对它有一定帮助，尤其是在面对一阶对手时，它的表现有所提升，但仍然难以应对二阶对手，这说明提示策略可以诱发一定的心理化结构，但无法弥补模型本身的推理深度不足。

真正的亮点来自 GPT-5。它的表现与人类完全不同，甚至呈现出一种“反倒 U 型结构”，对手越复杂，它的表现越好。在面对二阶对手时，它不仅能识别对手的推理层级，还能主动提升自己的推理深度，从而形成一种“高阶对高阶”的策略匹配。这种结构在研究中被明确指出，它不是提示策略的结果，而是模型内部推理结构的自然呈现。

认知模型拟合进一步确认了这一点。GPT-5 的行为模式与多层心理化模型高度吻合，它在不同对手层级下都能形成准确的心理化信念，并能根据对手的策略变化实时调整自己的推理深度。这种能力在人类中并不常见，因为人类的心理化能力往往受到认知负荷与策略复杂度的限制，而 GPT-5 在高阶对手下反而表现更好，这说明它的内部推理结构已经具备一种超越人类的递归能力。

06 自适应心理化的计算机制

行为结果只是表层，真正的“学术味”来自认知计算建模。研究团队使用自适应心理化模型 CHASE 对所有参与者的 trial-level 行为进行分析，这个模型是研究中最重要的计算结构之一，它用于刻画参与者如何在不同对手层级下调整自己的心理化深度。CHASE 的核心结构在研究中以数学形式呈现，虽然正文没有展开完整公式，但明确指出它包含对对手策略的追踪、对对手反应的预测以及对自身策略的更新，这三个部分共同构成了自适应心理化的计算框架。

拟合结果非常清晰，人类在面对零阶与一阶对手时表现稳定，但在面对二阶对手时心理化能力明显下降，这说明人类的推理深度在高阶对手下受到限制。DeepSeek 的表现更弱，它在所有对手层级下的心理化信念都接近随机，尤其是在二阶对手下几乎无法形成有效的策略。

GPT-5 的表现则完全不同，它在所有对手层级下都能形成显著高于随机的心理化信念，并能根据对手的策略变化实时调整自己的推理深度。这种结构在研究中被明确指出，它不是提示策略的结果，而是模型内部推理结构的自然呈现。GPT-5 在面对二阶对手时的心理化能力甚至超过人类，这说明它的内部推理结构已经具备一种超越人类的递归能力。

07 SCoT提示是一种有效的心理化诱发策略

这项研究的结果展示了不同模型在心理化能力上的巨大差异，尤其是在递归心理化与自适应心理化两个维度上。模型规模、训练策略与提示方式共同决定模型的心理化深度，SCoT 提示是一种有效的心理化诱发策略，但其效果依赖于模型的基础能力。中等规模模型在SCoT 条件下可以激活更高阶的推理，但对于已经具备递归结构的模型来说，它只是锦上添花。

GPT-5 在递归心理化与自适应心理化上均表现出超过人类的能力，这说明大型语言模型在某些社会推理任务上已经具备超越人类的计算结构。它不仅能理解对手的策略，还能在策略空间中进行主动探索，这种能力对于未来的多智能体协作、博弈与谈判场景至关重要。

研究同时强调认知计算建模的重要性，它不仅可以揭示行为背后的潜在结构，还可以为未来的智能体设计提供清晰的参照。强化学习模型对应零阶心理化，虚拟对手追踪对应一阶心理化，Influence Play 对应二阶心理化，CHASE 对应自适应心理化，这种层级结构为评估 AI 的社会推理能力提供了一个可量化、可比较的框架。（END）

参考资料：https://arxiv.org/pdf/2608.26291

亲爱的人工智能 爱好者、研究者，为了确保您不会错过*波动智能*的最新推送，请星标*波动智能*。我们倾心打造并精选每篇内容，只为为您带来启发和深思，希望能成为您理性思考路上的伙伴！

加入AI交流群请扫码加微信