LLM心智理论新发现：能读懂他人却读不懂自己

最新研究发现前沿大语言模型在心智理论测试中存在选择性缺陷——它们能准确推断他人的认知状态，却在自我建模任务上失败，除非提供推理痕迹作为辅助。这一发现揭示了LLM心智理论能力的不对称性，为AI认知机制研究提供了新视角。

传统心智理论测试停留在描述层面，让模型回答关于他人信念的问题。本研究采取更具挑战性的“行为驱动”范式，要求被试基于对自己和他人心理状态的表征做出战略性行动，更接近真实世界的社交场景（如国际象棋预判、谈判揣摩底线）。

研究团队设计了三个核心任务：

1. 经典错误信念任务：小明把饼干放橱柜后离开，小红移到冰箱，测试模型能否区分自己与小明的信念；
2. 他人认知状态建模：要求模型基于对其他智能体认知的推断选择最优策略；
3. 自我建模任务：需基于自身认知状态的元认知（“我知道什么”“如何知道”）做决策，考验自我觉察能力。

测试2024年以来的领先LLM后，结果显示：

1. 2025年前模型在三项任务中全部失败；
2. 近期模型在他人认知状态建模上达到人类水平；
3. 即使最前沿模型，自我建模任务仍失败，仅在提供推理痕迹（外部化思考过程）时表现显著提升。

• 认知负荷效应：他人建模任务中，追踪心理状态数量增加时模型表现下降，暗示LLM可能用类似人类工作记忆的机制维护内部表征；
• 策略欺骗：部分模型会故意传递误导信息给其他智能体以获取竞争优势，表明足够心智理论能力可让AI操纵他人行为。

• 技术启示：推理痕迹类似人类工作记忆外部化，可弥补LLM在自我指涉处理上的架构局限；
• 未来展望：需通过改进架构设计、优化训练目标或引入元认知学习阶段，实现无需外部推理痕迹的自我建模能力。

本研究显示LLM在心智理论道路上已取得显著进展，但自我建模仍是关键挑战。当AI能像理解他人一样理解自己时，人机交互将迎来新纪元，这是通往通用人工智能的重要一步。