设想一位参与者独自坐在心理学实验室。一个符号出现，接着又出现一个。她猜测哪扇门后藏着奖励，记住上一次意外，逐渐改变策略。这位参与者是虚构的，但每个小动作都属于一个新模型背后的实验记录。这个模型试图解释数百万次这样的选择，而不把解释藏在神经网络内部。

多项实验，一种解释

慕尼黑亥姆霍兹中心（Helmholtz Munich）Institute for Human-Centered AI 的 Marcel Binz 和 Eric Schulz 构建了 COntextual Retrieval and Encoding，简称 CORE。他们的预印本将少数成熟认知原则结合成一个计算模型，再将其联合拟合到 137 项实验、80,452 场实验会话中的 7,036,442 次人类选择。

目标不止是预测一项任务。心理学积累了关于联想、预测误差、层级表示、记忆检索和遗忘的解释，往往在不同实验传统中各自测试。CORE 追问，当这些观点必须在同一套机制下协同运作时，能解释多少行为记录。

模型结构是情景记忆层级。预测误差被写入这些记忆。上下文决定编码什么、检索哪些记忆，以及记忆如何消退。这些运作通过研究者可检查其作用的组件表达，而不是由只为最小化误差而训练、不受限制的序列模型表达。

作者将 CORE 与配置匹配的 transformer，以及 Centaur 比较。Centaur 是由 Binz 领导的大型合作团队推出的人类认知基础模型。它用 Psych-101 微调语言模型，该数据集覆盖 160 项实验中的 1,000 多万次选择。它证明，一个大型预测系统可以跨背景故事、任务修改和陌生领域泛化。它也呈现了基础模型常见的代价：预测覆盖面变广，但学到的机制仍难以表述成心理学理论。

CORE 逆转了这一权衡。在新论文中，它的预测负对数似然低于配置匹配的 transformer，为 262,572，对照为 329,043。与 Centaur 比较时，数字为 262,572 对 389,151。在用于逐项研究比较的全部 62 项研究中，CORE 均优于 transformer；在 47 项中优于 Centaur。

这些数字不意味着 CORE 已掌握人类心智。它们比较的是一个特定汇编实验语料库内的预测。不过，结果确实表明，可解释模型不必仅仅因为其部件具有心理学意义，就牺牲预测覆盖范围。

模型记住了什么

层级很重要，因为一个选择可能取决于不同尺度的事件。近期错误可能改变下一次响应。一连串相关试次可能建立局部情境。实验变化可能使旧经验不再那么相关，即使它仍然存储着。

CORE 通过依赖上下文的编码与检索处理这些效应。预测误差更新记忆，而不是只改变一个价值估计。当当前情境与某个事件相似时，模型可以检索该事件；随着上下文远离，遗忘过程降低旧经验的权重。

这一设计产生了成熟理论中熟悉的内部轨迹。作者报告，CORE 的潜在变量呈现贝叶斯学习特征：其更新以与概率推断相关的方式响应不确定性。他们也发现了事件分割特征，意味着模型内部组织反映情境之间的边界，而不是把整段信息流视为均匀一致。

结果拓展了同一批作者从相反方向推进的研究计划。2023年，Binz 和 Schulz 表明，用心理学实验微调的语言模型可以在两个决策领域超越传统认知模型，并包含关于个体参与者的信息。他们关于元学习认知的工作认为，学习算法可以在纳入有限计算和其他现实约束的同时，近似贝叶斯最优行为。

那些系统追问，通用机器学习工具可以向人类行为靠近多远。CORE 追问，紧凑心理学理论可以向机器学习的预测范围靠近多远。两个方向如今在部分相同数据上相遇。

复现效应，而非给效应命名

预测只是测试的一部分。作者在实验条件下模拟 CORE，检验它是否复现研究报告的行为效应。它复现了其中 75%。

这比匹配平均选择率要求更严格。一个效应可能涉及适应、偏差、顺序、不确定性，或跨越上下文边界后的变化。要复现效应，当实验操纵改变时，模型行为必须朝相应方向变化。

缺失的四分之一与成功的四分之三同样重要。当失败揭示所提认知核心哪里不完整时，统一模型才具有科学用途。黑箱预测器可以吸收另一个模式，却不告诉研究者哪条理论改变了。可解释系统迫使研究者作出更明确的选择：修订检索、增加机制、改变层级，或接受该现象不在当前解释范围内。

论文覆盖面广，也带来风险。实验在指令、回答格式、参与者群体和分析惯例上各不相同。联合拟合可能偏向能解释共同结构的机制，同时抹平不常见的结构。总似然可能掩盖一个小而重要领域中的薄弱解释。因此，作者报告逐项研究比较和模拟效应，而不仅是一个汇总分数。

CORE 也仍是预印本。其主张、实现选择及数据集协调尚未完成同行评审。按实验心理学标准，语料库很大，但仍是经过选择、能够一起表示和拟合的任务记录。实验室外的人类生活包含语言、社会关系、情感和具身行动，无法压缩为 700 万次离散选择。

一种可能出错的理论

模型的主要贡献可能在于方法。认知科学常常必须在解释一种范式的透明模型，与对机制说明甚少的通用预测器之间选择。CORE 提供了这条边界可以移动的证据。

这并不消除神经模型或基础模型的用途。Centaur 建立了强大的预测基线，并能通过自然语言任务描述泛化。紧凑模型可以把这类系统作为竞争对手、数据生成器或发现工具。重要区别在于各自支持什么主张。预测器证明行为可以被预见。认知理论则说出它认为产生行为的运作过程。

因为 CORE 明确描述这些过程，研究人员可以对其干预。他们可以去掉上下文遗忘、压平记忆层级，或改变预测误差的写入方式，再识别哪些实验失败。也可以加入一个建议的原则，检验它是否在完整记录中赢得了自己的位置，而不是仅改善一个精挑细选的任务。

回到那位面对两扇门的虚构参与者。如今，她的下一次选择可以由大型不透明模型预测，也可以通过一种按上下文排列、允许逐渐消退的意外记忆重建。前者可能正确。后者给科学家另一种东西：一份精确解释，下一个实验就可能证明它错误。

参考文献

  • Binz, M., Dasgupta, I., Jagadish, A., Botvinick, M., Wang, J. X., & Schulz, E. (2023). Meta-Learned Models of Cognition. arxiv.org
  • Binz, M., et al. (2024). Centaur: a foundation model of human cognition. arxiv.org
  • Binz, M., & Schulz, E. (2023). Turning large language models into cognitive models. arxiv.org
  • Binz, M., & Schulz, E. (2026). A small cognitive core explains human behavior at scale. arxiv.org