人工智能模型能够预测并协同调节人类记忆搜索

# 人工智能模型可预测并协同调节人类记忆检索过程  
来源：https://arxiv.org/html/2608.26152  
Eric Lacosse<sup>1,2</sup>*, Mariana Duarte<sup>1,2</sup>*, Graham Todd<sup>3</sup>, Peter M. Todd<sup>4</sup>, Daniel C. McNamee<sup>1,2</sup>  
<sup>1</sup>尚帕利莫未知研究中心，葡萄牙里斯本  
<sup>2</sup>尚帕利莫神经修复技术中心，葡萄牙里斯本  
<sup>3</sup>纽约大学坦登工程学院，美国纽约布鲁克林  
<sup>4</sup>印第安纳大学，美国印第安纳州布卢明顿  
*同等贡献作者  
通讯邮箱：[email protected]  

###### 摘要  
大语言模型展现出前所未有的自然语言生成能力及多种文本问题解决能力。在许多基于语言的任务（例如常规编码）中，这类人工智能模型已减少甚至消除了人类输入的必要性。然而，与其说这些模型将取代人类认知努力，不如说它们可能作为认知工具来扩展人类能力，特别是在需要开放式概念探索和创造性构思的任务中。但目前我们尚不理解在人类与AI交互过程中，这些模型如何能增强人类的生成性认知能力。本研究探索并评估了大语言模型在语义记忆检索过程中跟随并增强人类思维轨迹的能力。我们采用语义流畅性任务作为测试范式——这是一种要求生成性语义记忆检索的经典认知范式，长期用于评估人类的聚合与发散思维。研究证明，大语言模型在此任务中追踪和预测人类记忆轨迹的能力超越了人类参与者。基于这些结果，我们提供了关于协作型大语言记忆伙伴如何改进人类语义记忆处理的证据，其效果优于人类间的协作。这为设计能够放大人类生成性认知能力、连接不同智能体的协作型人机交互迈出了重要一步。  

**关键词**：人机协作；大语言模型；语义检索  

#### 科学意义阐述  
人类如何从与现代AI展现的多元化智能协作中获益？为解答此问题，我们研究了人类与AI在需要高认知负荷的任务——在语义记忆空间中检索相关概念——上的协作表现。研究表明，大语言模型比人类更能精准预测人类的思维轨迹，揭示了人类与AI之间存在某种认知协同效应。我们还探讨了AI如何利用这种认知协同性，正向调节人类对自身记忆的检索过程。本研究为理解认知协同AI模型如何及为何能被开发以辅助人们搜索自身创意和创新奠定了原理性框架基础。  

人类通过协作来拓展自身心理探索并丰富创造性思维。当儿童基于彼此的乐高设计进行创作，爵士乐手交换旋律乐句，填字游戏搭档引发“java”到“brew”的联想链时，人类社会智能的关键要素在于追踪并协同彼此生成性思维轨迹的能力。在这种协作认知情境中，一个人的记忆提取产生的想法、创新或概念会触发另一个人的联想。这种思维的随机交锋生成了一条探索链，可延伸至集体认知地图中任何个体都无法单独触及的领域。  

随着展现超预期认知能力的新AI系统出现，我们得以探究人类是否、以及如何利用这类系统——不是为了在某些任务中替代人类思考，而是通过人机协作来增强认知能力。随着AI重塑知识型工作，我们开始窥见新范式的雏形：与其让机器单纯自动化人类任务，更有效的途径可能来自精心设计的协作伙伴关系，使人类与AI能基于各自独特的认知能力贡献力量。  

提升此类协作交互的核心要素在于实现**认知协同**。我们将认知协同定义为协作伙伴在认知任务中产生的积极合作，其最终表现优于任何一方独立工作的成果。本研究聚焦于协作记忆任务中人类与AI表现的相关维度，我们认为这些维度对设计能增强认知协同的交互至关重要。我们假设**认知协同性**——即其他人类或AI个体适应特定思维计算的能力——对促成认知协同至关重要。与传统AI对齐概念（关注目标与偏好的一致性）不同，认知协同性指的是**认知过程**的一致性。我们将其实操化定义为准确预测其他智能体认知计算结果的能力，例如预测人类联想思维过程中的下一个概念。高预测准确度可作为高认知协同性的经验性代理指标。我们假设这种协同能力可能是连接底层认知过程、实现更优协同交互的关键，例如在医疗诊断场景中：AI目标/偏好对齐有助于确保AI遵循医生最大化患者福祉、避免伤害的目标；而认知协同性则涉及构建AI的推理流程，使其诊断和治疗搜索过程能够支撑医生的自主判断，例如纠正可能导致医疗错误的认知偏差。这些因素有助于促进正确的协作交互，而非简单输出最终答案——这需要AI能够识别医生当前在思维图式中的“定位”及其下一步动向。  

迄今为止，我们缺乏在严格表征人类认知处理过程领域开展人机协作实证研究的案例。本研究通过经典认知任务——语义空间中的记忆检索语义流畅性任务——在协作情境中填补了这一空白，并引入新型评估指标衡量大语言模型增强人类表现的能力。我们同时考察了人人交互与人机交互，使我们能够直接建模并量化不同协作对中的认知协同性。基于早期人类协作检索实验，我们进一步测试人机协作能否增强人类在记忆中搜索概念的过程。  

*图1概述*：协作条件与实验示意图，展示语义空间中的检索轨迹。研究包含五种条件：（A）执行协作语义流畅性任务的人-人配对，（B）执行协作语义流畅性任务的人-AI配对，（C）执行语义流畅性任务的AI-AI配对，以及执行语义流畅性任务的个体人类（E）与AI（G）。（D）交错协作语义流畅性任务的试次示例，展示人机交互过程：人类从记忆中提取相关概念并生成对应词汇，与AI交替进行。左侧面板显示用户与AI系统在“动物”类别下交换回答的序列式界面；右侧面板呈现3分钟试次的时序结构，包括AI生成词汇（思考气泡）作为提示，触发人类进行语义检索和词汇产出。（E-G）通过UMAP降维可视化语义空间中的语义流畅性任务词汇序列轨迹：（E）人类独立表现（起始词“狗”），（F）交错条件下人机协作表现（起始词“狗”），蓝色为人类贡献，橙色为AI；（G）AI独立表现（起始词“狐狸”）。每个点代表一个词汇，连接线显示词汇生成的时序序列。这些轨迹揭示了不同智能体配置在语义空间搜索过程中探索与利用、发散（大幅跳跃）与收敛（小幅跳跃）的独特模式。  

该任务调用并分离出对人类在许多重要领域认知能力至关重要的生成性检索机制。具体而言，为解决开放式问题和创造创新，人类需要通过联想检索过程访问存储在语义记忆中的相关概念与想法。人类检索记忆概念的方式类似于动物在环境中觅食。语义流畅性任务通过要求参与者快速生成一系列符合特定语义类别（如“动物”、“食物”或“职业”）且不重复的词汇来捕捉这一过程。大量研究表明，人们倾向于生成语义相关的“聚类”词汇，称为**聚合性**语义检索行为；当检索减慢时，会通过**发散性**检索机制切换到新的聚类。该策略表现为聚类内反应时较短，聚类间反应时较长。近期关于记忆检索中策略性切换的神经学证据支持了这种觅食式解释。  

标准语义流畅性任务通常独立完成，而协作版本要求两名参与者交替贡献于一个共享序列。这一修改引入了关键认知约束与协同机会：每位参与者必须适应搭档提供的词汇以避免重复，同时有机会在搭档贡献基础上延伸，从而重塑自身的内部语义搜索轨迹。在协作语义流畅性任务中，反直觉的是，协作表现往往**劣于**个体表现，这种现象称为**协作抑制**。在我们的术语中，协作抑制可能源于双方在执行任务时未能实现认知协同，从而阻碍了认知协同。这实际导致了协作记忆干扰：一方的语义轨迹干扰了搭档在自身独特语义空间中的搜索路径。  

这些结果与更广泛的人机协作研究现象一致——人-机配对通常未能实现协同，其平均表现甚至劣于最佳个体人类或AI的独立工作。即使在AI正在重塑的编码任务中，真正的协同性协作交互目前仍罕见且难以实现。理解协作抑制效应的产生机制及其缓解方法，是提升AI-人类伙伴关系认知表现的重要途径。  

我们通过以下研究开始应对这一挑战：测试大语言模型能否追踪并预测（即实现认知协同）人类在语义记忆检索中生成的概念轨迹，并对人类追踪其他人类的情况进行相同分析，从而比较人类与AI模型在认知协同能力上的差异。我们提供的结果表明，大语言模型生成的语义流畅性任务序列能在群体层面有效捕捉人类语义记忆的通用联想结构。基于新创建的基准数据集，我们进一步证明前沿大语言模型在精准预测其他人类生成的特定语义检索轨迹方面已接近人类水平。通过一系列在线实时协作实验，我们展示了人类与大语言模型交互时其记忆检索如何受到不同于人类同伴的影响。  

这些结果共同表明，大语言模型能有效协同并影响人类在自身内部概念空间中的搜索过程。值得注意的是，尽管前沿大语言模型已达到超人类的认知协同水平，但这并未导致协作抑制现象的减少。我们认为协同效应的涌现取决于交互机制的结构，最终受限于伙伴间严格的交替交换方式。因此，我们的研究指出交互机制本身应被动态适配，以将认知协同转化为认知协同效应，大语言模型不仅应作为参与者，更应作为具备反思和重塑交互元动态能力的监督系统。  

*图1*提供了实验范式的概览，旨在系统解构人类与AI在不同独立与协作配置下的认知搜索动态。在协作条件下，理想伙伴生成的概念应为人类玩家的搜索提供支撑，引导其探索新的语义聚类或帮助更彻底地利用现有聚类。  

## 研究结果  
*图2展示*：认知宏观协同——人类与大语言模型语义轨迹...