标签
一篇提出验证学习理论（VLT）的预印本。该理论是一个形式化过程模型，用于描述人工智能辅助的主张核查如何影响独立判断能力的保持，并预测：意识到助手可能出错，可以通过证据核查提高延迟测试中无辅助条件下的表现。
本文比较了人类与大型语言模型在将新造动词从主动语境扩展到被动语境时的语言能产性，发现即使无法赋予这些动词任何意义，人类仍能基于抽象句法形式进行泛化，而大型语言模型只有在这些动词具有与现有动词相似的意义时才能成功。
该论文使用 BabyView 语料库中 2,441 小时的第一视角视频训练对比式视觉语言模型，以检验跨情境词汇学习能力。研究发现，基于互联网数据预训练的视觉表征远优于从儿童发展数据中学到的视觉表征；尽管模型形成了类似人类的语义结构，但其学习轨迹与儿童的学习轨迹存在差异。
作者分享了通过大声朗读自己的思考过程（类似于链式思维）来提升解谜和问题解决效率的经验，并将其与 LLM 的链式思维机制及橡皮鸭调试法的认知原理联系起来。
《英国皇家学会会刊B》上的一项研究发现，通过对70只家犬进行AI头部视线追踪分析，当听到'Bouba'时狗会看向圆形图案，听到'Kiki'时则看向尖刺形状，这表明音义象征的bouba/kiki效应可能不仅限于人类。
该论文提出一个形式化的嵌套模块化层级（单元级、正交、线性），发现尽管单个神经元常常承担多种功能，神经网络在子空间层面仍表现出清晰的功能模块化，并在视觉、语言模型和多任务RNN中通过选择性消融得到验证，且这些子空间与脑数据有差异化对应。
Steinert-Threlkeld 和 Szymanik 认为，机器学习模型可以作为衡量语义复杂性的"认知温度计"，研究表明基于学习的度量方法与传统的逻辑复杂性方法趋于一致，且在某些情况下能更好地解释语义共性。
《The Verge》的一篇评论文章指出，AI 行业领军人物如 Demis Hassabis 和 Elon Musk 所依赖的心智计算模型，是一种扭曲且有局限的认知观；文章认为，AI 产品的作用就像"认知垃圾食品"，会削弱人类的思考能力。
加州大学伯克利分校的研究人员提出了一种混合系统，将认知算法的发现视为一个程序精化问题：LLM 智能体根据行为数据的不匹配来修正人类编写的概率程序，并在问题求解范式中持续提升模型拟合效果。
这篇FAST研讨会论文主张，基于大语言模型的智能体应当将证据准备——即在决策前获取、转换或探测证据——视为一种一等设计能力，即“认知行动”（epistemic action），并借助“认知脚手架”（epistemic scaffolding）接口与工具来实现。
一位用户质疑人工蝇脑与真实蝇脑之间的功能差异，认为如果最终结果相同，心理过程的差异可能并不重要。
本文探讨了为什么 Lisp 括号密集的语法被认为难以阅读，并借鉴认知科学原理如 Stroop effect 来解释语法设计如何影响人类感知。
本文提出了一种统一计算理论，整合了认知心理学中的概念和组块，介绍了Trellis的实现，并通过实验展示了其学习上下文无关文法的能力。
本文介绍了WROP，一个用于训练世界模型中物体恒存性的数据集，并评估了14个视频模型，发布了PWM-WROP，一个160亿参数的世界模型，在续作模型中排名靠前。
作者描述了通过记忆宫殿法和PAO系统等记忆技巧，记忆圆周率前100位数字的过程，将记忆过程转化为一个工程问题。
CogGym 是一个可扩展框架，利用认知实验比较人类与AI认知能力，研究发现规模更大的语言模型能更好地模仿人类推理，但仍落后于形式化基准。
一条推荐15本书的推文，这些书探讨了世界如何通过政治、财富、人性、认知和AI运作，强调真正的信息鸿沟在于没有阅读这些易懂的书籍。