人类放弃思考时，推理模型为何能坚持？——认知 deliberation 的自动化分配新发现

最新研究揭示人类与推理模型在deliberation（审慎思考）分配上的核心差异：当人类因任务难度增加选择战略性放弃深入思考时，基于大语言模型的推理系统仍能保持持续的认知投入。该研究由henryhyw团队开展，题为《Humans Disengage, Reasoning Models Persist》，已投稿至《Computational Brain & Behavior》，首次系统性揭示两者在认知资源分配机制上的本质区别。

本研究聚焦核心问题：面对需深入思考的任务时，人类与基于大语言模型的推理系统如何分配认知资源？研究通过精心设计的实验范式，旨在揭示两者在deliberation分配机制上的本质差异。

研究团队采用项目控制的分离范式（Item-Controlled Dissociation），通过控制任务的认知负荷和复杂性，观察人类参与者与推理模型的行为差异。关键在于独立操纵任务的客观难度与主观感知难度，以分离真正的deliberation分配策略。

当任务难度增加到一定程度时，人类参与者倾向于"战略性放弃"——减少认知投入，依赖直觉或启发式判断，可能导致决策质量下降；而推理模型无论任务难度如何，均维持相对稳定的deliberation水平，持续进行深度分析与推理。

人类deliberation分配受多重制约：认知成本意识（评估思考能耗，超过收益则减少投入）、注意力资源有限性（工作记忆容量限制高强度认知活动）、动机波动（疲劳、厌倦影响持续性）；推理模型无生物学限制，无疲劳、厌倦概念，不会因任务困难降低投入。

1. 持续高质量推理场景（科学研究、复杂数据分析、医疗诊断辅助）中，推理模型可补充人类认知能力；2. 优化人机协作任务分配：将持续深度思考任务交给AI，人类专注创造性洞察与直觉判断；3. 帮助认识人类认知局限，开发针对性认知训练方案。

局限：仅关注deliberation的"量"而非"质"（投入多少而非有效性）；结果推广到复杂现实决策场景需验证。未来方向：探讨如何保持高deliberation水平同时提升推理质量与相关性。

本研究揭示深刻认知科学问题，理解人类与AI的本质差异及互补优势是人机协作关键。当人类需要"省脑"时，推理模型可成为不知疲倦的思考伙伴，这是人机协作的美好前景所在。