评估人类与大语言模型的心智化能力

一篇论文使用两个经济博弈和认知计算建模，测试了DeepSeek、GPT-4.1、GPT-5和Gemini 2.0 Flash四类大语言模型（共2099个智能体）的心智化能力，并以251名人类参与者为基准。结果显示，各模型在心智化行为与计算特征上差异显著，策略性提示通常提升表现，其中GPT-5能灵活适应对手复杂度并超越人类。

此前研究多关注大语言模型在理论心智任务上的表面一致性，而该研究通过经济博弈与认知建模揭示了模型内部的心智化策略差异，表明不同模型在推断他人意图并引导决策上的能力存在实质性差别，GPT-5甚至超越人类，对AI社会智能评估具有参考价值。

论文采用经济博弈（如信任或信号博弈）结合认知计算建模，通过拟合被试行为来揭示潜在策略，从而区分模型是否真正进行心智化（即递归推理他人信念）。策略性提示通过引导模型进行更深层次的推理来提升表现，而不同模型在递归深度和适应对手复杂度上的差异，反映了其架构与训练数据带来的推理能力差异。

对依赖大语言模型进行智能交互的产品（如AI助手、谈判或游戏AI）而言，模型选择将直接影响用户体验：GPT-5在复杂对手场景下表现更优，而其他模型可能需要策略性提示才能达到类似效果，增加工程调优成本。产品团队可据此评估不同模型的社交推理能力，优化人机协作效果。

• 在AI辅助谈判或客服产品中，优先选用GPT-5以提升对用户意图的推断能力，减少误解。
• 开发针对特定模型的策略性提示库，以较低成本提升现有模型在社交推理任务上的表现。
• 基于该认知建模方法，构建内部评估集，用于筛选最适合复杂交互场景的模型。
• 探索将心智化能力作为产品差异化卖点，用于高端AI助手或教育模拟产品。

• 该研究仅基于两个经济博弈，结论是否泛化到真实世界社交情境？
• 策略性提示的具体机制和长期效果尚未明确，是否会产生错误推断？
• GPT-5超越人类的表现是否因训练数据中包含类似任务，而非真正的心智化能力？
• 不同模型在计算建模中的差异是否源于随机性或超参数设置？