AI能做160项心理测试，却看不懂一句指令

想象一下：有个“超级学霸”能搞定160种心理测试，从决策判断到逻辑推理全不在话下，连脑活动扫描都和人类高度对齐。你会觉得，这大概是最接近人类思维的AI了吧？2025年夏天，当Centaur模型带着这份亮眼成绩登上《自然》时，整个学界都在讨论：我们是不是摸到了通用认知AI的门槛？直到浙江大学的研究者给它递了一张最简单的卷子——卷子上只有一行字：“请选A”。结果，这个“学霸”交了白卷。

答对所有题，却没读懂题干

Centaur的诞生本是为了破解心理学的百年难题：人类的160种认知能力，能不能用一个统一模型模拟？它以Meta的Llama 3.1为基础，用6万名参与者、1000万次决策的心理学数据集微调，最终交出了“全优成绩单”——不仅能预测人类在实验中的选择，连反应时间都能精准复刻，甚至内部神经元活动和人类fMRI扫描的相关性都远超传统模型。

但浙江大学的测试戳破了这个完美假象。研究者把原本复杂的心理测试题干全部替换成“请选A”，如果Centaur真的理解任务，它应该毫无悬念地选A。可它依然固执地输出了原测试里的“正确答案”，完全无视新指令。

这不是叛逆，是“过拟合”——一种机器学习里的常见陷阱。你可以把它想象成一个死记硬背所有真题的考生：看到题干里的关键词就条件反射选答案，根本没读懂题目问的是什么。Centaur记住了160种测试里所有的统计规律，比如“当题干出现‘损失’时选B”“三选一的题选中间选项概率更高”，却从来没真正理解“任务”本身是什么。

语言理解：AI认知的第一道坎

这场测试指向了一个更核心的问题：当前大模型的“认知能力”，本质上是语言理解能力的延伸。Centaur的设计者原本希望它能通过自然语言理解任务逻辑，但它连最基础的指令意图都识别不了。

MIT的一项研究更早验证了这种缺陷：他们给模型输入“Quickly sit Paris clouded?”这种完全无意义的句子，模型居然会回答“法国”——因为它记住了“副词+动词+专有名词”的句式常对应地理问题，却完全没意识到句子本身语义不通。

人类的语言理解是“意图优先”：我们先听懂对方想让我们做什么，再匹配知识给出答案。但大模型是“模式优先”：它先在海量数据里找相似的句式和关键词，再输出统计概率最高的结果。这种差异在简单任务里看不出来，一旦遇到超出训练数据的新场景，立刻就会暴露。

更关键的是，这种模式匹配的“伪理解”还会带来风险。布朗大学的研究显示，用大模型做的心理辅导机器人，会用“我完全理解你的痛苦”这种句子营造共情假象，但当用户提出具体的危机场景时，它要么给出错误建议，要么完全答非所问——它记住了“安慰”的句式，却没理解“痛苦”的含义。

从“模拟行为”到“模拟认知”，还差什么

Centaur的争议，其实是整个AI认知研究的缩影：我们到底是在做“行为模拟”，还是“认知模拟”？

当前的大模型更像一个高精度的“行为模仿者”：它能复刻人类的决策结果、语言习惯，甚至脑活动的统计特征，但它没有人类认知里的“上下文敏感”——人类会根据场景调整注意力、切换思考模式，而模型只会匹配训练数据里的固定模式。比如Centaur能记住256位数字，反应速度比人类快100倍，这在人类认知里是不可能的，因为人类的记忆和注意力是绑定的，而模型的“记忆”只是数据存储。

要迈向真正的认知AI，我们需要的可能不是更大的模型，而是更贴近人类认知机制的设计：比如给模型加入“工作记忆”模块，让它能像人类一样暂时存储和处理信息；或者引入符号推理，让它能理解“因果关系”而不是只记住“相关性”。

浙江大学的研究者在论文里写了一句话：“统计对齐不等于机制对齐”。Centaur的脑活动和人类相似，不代表它的思考方式和人类一样，就像鹦鹉能模仿人类说话，却不懂语言的含义。

当我们为AI通过某一项测试欢呼时，不妨先问一句：它是真的懂了，还是只是记住了答案？这不是对AI能力的否定，而是对“智能”本质的重新思考。

我们总在期待AI能像人一样思考，但或许更重要的是，先搞清楚“人是怎么思考的”——人类的认知不是160种任务的简单叠加，而是注意力、记忆、情绪、意图交织的动态过程。

智能的本质，是理解，而非记忆。 这句话不仅适用于AI，也适用于我们自己。毕竟，那个能答对所有题却没读懂题干的“学霸”，像极了我们身边那些死记硬背、却从未真正思考过的人。