大語言模型（LLMs）作為由復雜算法和海量數據驅動的產物，會不會“無意中”學會了某些類似人類進化出來的行為模式？這聽起來或許有些大膽，但背后的推理其實并不難理解：

首先，人類的心理、認知及行為不是隨便“湊”出來的。它們是幾百萬年自然選擇的結果，長期受到生存、繁衍、合作、沖突等各種“進化壓力”的雕琢與塑造。正因如此，人類心智中存在一組被稱為“基本社會動機”（Fundamental Social Motives, FSMs）的內在驅動力，比如自我保護、避免疾病、尋求社交聯結、爭取地位、擇偶、維持伴侶關系，以及照顧親屬等基礎的、進化形成的并嵌入人類心智的社會性動機。這些動機幾乎滲透在人類語言、故事、文化、甚至日常對話中。

接著，如果我們意識到：大語言模型的訓練數據，正是由人類寫下的這些文字、故事和對話組成的，那么問題就來了：在反復學習這些深受進化影響的人類語言后，LLMs是否在某種意義上“模仿”或“內化”了這些社會動機？

雖然LLMs并不是生物體，沒有情感，也不會繁衍后代，但它們確實能在訓練過程中學會語言中的深層關聯模式與統計規律。它們不理解人類行為的“動機”，但在足夠多的文本中，它們可以逐漸識別出“在這種情境下，人類傾向于這樣說/這樣做”的模式。換句話說：LLMs并不是在生物意義上“進化”，但它們可能從人類進化留下的語言痕跡中“學會”了某些行為的模擬方式。這種學習更像是“語言中的進化記憶”在模型中以某種方式“涌現”了出來。

?Matt Chinworth

硅基人（Homo silicus），或稱“網絡智人”（cyber-homosapiens），正是在這種新興的“機器心理學”（machine psychology，指運用心理學方法研究LLMs中涌現的能力與行為的領域）框架下提出的概念。它把大語言模型（在此概念性探索中以ChatGPT為主要例證）當作一種“虛擬的類人個體”，用來探索這些模型在沒有特別針對某個任務訓練的情況下，能否展現出類似人類的心理動機或行為傾向。也就是說，我們能否把LLMs當作，讓它在給定的社會情境中展現出類似人類的反應？這類探索通常依賴模型的“零樣本能力”（zero-shot capabilities），在沒有專門學過某個具體任務的情況下，通過對廣泛語料的理解來“臨場發揮”。

在方法論層面，我們可以設想一個從依賴明確指令到激活隱性知識的演進過程。在最開始，我們可以嘗試檢驗LLM是否能通過“顯性知識激活”來模擬人類反應。舉個例子，你可以告訴它：“現在你是一名進化心理學家，請基于XX 理論和YY統計方法來預測某種人類行為”，或者干脆用“代碼解釋器”讓它對一批調查數據進行分析與預測。

然而，如果這種依賴明確指令和顯性知識的方式只能在少數變量上取得不錯的預測效果，卻在整體上無法展現出人類行為的復雜與豐富，那么就說明“單靠顯性指令其實不夠”。這背后的的潛在原因可能包括：模型對具體情境的理解還不夠深；它不知道該從自己龐大的知識庫里選什么理論、怎么用；又或者，本來就沒有哪個單一理論能全面捕捉人類心理的多樣性。

為了克服這些局限，我們可以嘗試一種更精細的方法：通過“自我報告式提示”（self-report style prompts）激活潛在理解。我們可以給LLM提供豐富且個性化的情境信息，比如，提示可以詳細描述人口統計學數據（年齡、性別、文化背景、婚戀狀況、社會經濟地位等），再加上模型對一份心理學工具（如基本社會動機量表）大部分條目的回答。在這個量表里，每個條目都用來衡量人類在進化中形成的一些社會動機，比如自我保護、疾病規避、社交需求等等(Neel, Kenrick, White, & Neuberg, 2016; Pick et al., 2022)。

接下來，LLM的任務是對剩余未答的那些條目做出回答。關鍵在于，這一生成過程不是靠明確的規則，而是理想地依賴于LLM的“隱性知識”（implicit knowledge）——也就是模型從其訓練數據中吸收的對語言、情境、人類行為模式及社會動態的廣闊、細致且往往是未明言的理解。通過讓它針對不同的“背景配置”生成不同的回答，而不是一次性批量統一處理，我們希望可以模擬人類個體之間的多樣性，讓它看起來更像是許多個不同的人在填寫問卷，而不是一個千篇一律的機器人。

在解釋潛在研究結果時，一致性與預測能力可作為衡量模型隱性知識作用的指標。舉個例子，如果不同版本的LLMs（如GPT-4與早期版本GPT-3.5）在生成的虛擬數據中都表現出較高的“內部一致性”（internal consistency)，那么就很值得關注了。具體而言，如果一個更高級的模型（如GPT-4）在某些基本社會動機變量上所顯示的一致性系數（克朗巴赫系數 α）不僅更高，甚至可能高于早期模型或人類參與者的數據，這便意味著它在這些動機領域內的答題反應相當連貫、穩定。

同樣，在預測準確性方面，如果一個高級模型（如GPT-4）在所有或絕大多數基本社會動機變量上都與人類數據顯示出顯著的相關性，尤其是在某些進化上較為突出的動機（如疾病規避和自我保護）上，其預測精度尤為出眾，而一個早期模型在某些變量上（例如，對于一個GPT-3.5數據集，其在親屬關懷-子女、配偶留存及配偶留存-分手擔憂等變量上）顯示出較弱或不顯著的相關性，就可能說明最新一代的模型在預測人類基本社會動機時能力更強。

如果真的發現了這種模式，那就與先前一些初步研究觀察到的情形相呼應(Argyle, Busby, Fulda, Gubler, Rytting, & Wingate, 2023; Aher, Arriaga, & Kalai, 2023) 。在那些研究中，它們也通過微調GPT模型中人口統計學細節的激活，增強了對政治態度和行為傾向的預測。綜合來看，或許可以推斷最新迭代版本的GPT（或其他LLM），確實擁有一種基于“隱性知識”的零樣本能力，可以以相當高的穩定度與可靠度來建模并預測各種基本社會動機。

?圖源：Eduardo Gorghetto

要讓LLM有效模擬不同人群，關鍵在于激發多樣化且恰當的響應分布。這與“算法保真度”（algorithmic fidelity）概念息息相關。按照 Argyle等人的觀點（2023），算法保真度指的是：模型內部表征的思想、態度、社會文化背景等復雜關系，能在多大程度上與現實世界的分布相吻合。

與一些認為LLM只反映了其訓練文本的“平均值”或是一種“單一視角”的觀點（Strachan et al., 2024; Chen et al., 2023; Horton, 2023）不同，算法保真度更強調模型文本并非源于單一的概括性概率分布，而是一個動態的、多重潛在分布彼此交互的結果。

因此，借助精心構建的、詳細描繪不同人口統計學特征（例如，年齡、性別、國籍、報告的社會經濟地位、為人父母狀況、婚戀關系等），以及像基本社會動機量表這類工具所捕捉(Pick et al., 2022)的特征，我們可以嘗試向LLM提供精心設計的結構化提示。這樣一來，我們就有可能創造出一個能夠策略性地改變模型輸出概率的“硅基人”，使其展現出不同人群所特有的反應傾向。比方說，在輸入了某些提示后，模型就會“切換”到更貼合某個特定文化背景或社會群體的思維模式，從而生成與他們的態度、觀點和生活經驗相呼應的輸出(Argyle et al., 2023)。

如果這種方法真的行得通，且有足夠證據支持，那么將極大地支持這樣一個觀點：LLMs其實已經透過對海量人類文本的深度學習，悄悄“織”出了一幅極其豐富的知識網絡，把各種人口統計信息、常識、符號與社會背景的復雜聯系都納入進去——哪怕在訓練文本里，它們從未被明確寫出或系統闡述(Yildirim & Paul, 2023; Field, Blodgett, Waseem, & Tsvetkov, 2021; Hagendorff, 2023; Horton, 2023)。

這種對“沒有明說卻暗中吸收”的理解能力，正是LLM“隱性知識庫”的代表。如果它還能模擬特定群體的行為或反應，那么在心理學的許多分支研究里，LLMs就能當作一種“模擬參與者”，為研究者打開新思路。比如，研究者可以先讓模型扮演某類人群，進行初步假設的檢驗；或者，當研究課題涉及到敏感群體、難以或不宜直接招募真實受試者時，LLMs也許能提供一種有力的替代手段(Dillion, Tandon, Gu, & Gray, 2023; Horton, 2023)。

要想深入探究由LLM生成的“心理模擬”到底有多逼真，僅僅看它能不能模擬一些表面行為還不夠。"網絡分析"（network analysis）便提供了一套有價值的工具和一個獨特的概念視角，它能幫我們挖掘這些模擬背后的“內部結構”究竟有多接近真實的人類心理體系。

在這個方法里，我們可以把每一個基本社會動機（FSM）或FSM量表里的具體條目當作網絡中的節點（node），并把它們之間的統計關聯（比如相關系數）當作邊（edge）。邊的粗細或數值則代表關聯的強度。如果我們能夠比較“由LLM生成的FSM數據”與“真實人類FSM數據”各自構建出來的網絡，就能看出：LLM是否只是捕捉到了單獨的孤立的動機，還是也把它們真實的人際關聯關系和重要性等級融入進來；LLM對不同動機之間的關聯是否能給出一個結構上近似真實人類的網絡圖景。

例如，如果在人類數據里，所有跟“社交需求”有關的條目彼此之間關聯都很強，而且和其他動機也有緊密聯系，那么我們就會看到一個“復雜而充滿連結”的網絡。如果某個高級LLM生成的數據也呈現出類似的復雜圖景，而能力較弱的LLM則只能給出一個較為單薄、缺乏區分度的網絡，那就說明前者更能“還原”真實的人類心理構造。它還可能突顯出某些特定的連接（例如，在人類數據中可能存在并在某一高級模型中得到復制，但在另一模型中則未體現的某些動機間的負相關關系）是一個模型捕捉到而另一個模型未能捕捉到的。

網絡分析還能計算各種中心性指數（centrality indices），用以評估一個節點在整個網絡結構中的重要性或作用，例如“強度”（strength，一個節點連接的總和）、“接近度”（closeness，一個節點到達所有其他節點的難易程度）、“介數”（betweenness，一個節點位于其他節點之間最短路徑上的頻率）以及“預期影響”（expected influence，一個節點連接邊權重的總和，同時考慮正向和負向連接）等度量。

如果從人類實際數據看，某些FSM條目往往擁有最高的中心性，說明它們在心理網絡中尤為重要；而在LLM生成的數據中，那些條目也“名列前茅”，這就說明模型真的在模擬人類心理結構上有一手。反之，如果LLM的網絡顯示某些關鍵節點在中心性上與人類數據大相徑庭，就表示它可能在這方面“走偏了”或無法捕捉到真實的重要連結。

為了更嚴格地檢驗“人類網絡”和“LLM網絡”到底有多接近，研究者可以運用網絡比較測試（Network Comparison Tests, NCT）等統計方法（結合諸如帶EBIC模型選擇的glasso正則化等技術），來看看兩張網絡在整體結構或全局強度（所有連線加權和）上是否顯著不同。例如，如果NCT的結果顯示，某個GPT版本的網絡和人類的網絡在結構上存在顯著差異，即便它們的整體連線強度可能接近，也說明這個模型只在表面上和人類“看起來像”，實則深層關聯分布并不一致。這意味著，盡管LLM可能通過其隱性知識達成了一定的預測準確度，卻并未真正構建出和人類一樣精細而層次分明的心理網絡。

從進化心理學的框架審視，算法保真度的概念，尤其在模擬人類亞群體方面，可以得到進一步拓展。由于進化壓力無處不在、自然選擇塑造了人類跨文化的行為模式(Buss, 1995)，在日常寫作和對話中，這些驅動生存和繁衍的動力也會不自覺地滲透進語言當中。于是，當 LLMs從海量文本中學習時，它們可能會抓住、歸納出各種受進化影響的人類心理和行為規律 (Pick et al., 2022)，甚至超越具體的地域或文化群體。

如果未來的研究發現，在構建LLM的龐大訓練數據里，諸如“基本社會動機”之類的進化因素確實發揮了顯著作用，那么這就能說明：LLMs 對人類心理的“隱性理解”在很大程度上是由那些反映進化壓力的文本所塑造的。既然進化壓力影響幾乎所有人類亞群體(比如大家都關心健康、繁衍、社交關系等)，那么這些與進化高度相關的文本內容就更容易被納入訓練數據，進而幫LLMs獲得更強的零樣本預測能力，包括對各式各樣的進化驅動行為與心理模式的預測。這也意味著，進化選擇賦予了文本一個“統一底色”，在海量信息中增加了跨人群的共通性元素，從而讓LLMs得以抓住更廣泛的人性通則。

?圖源：Johan Th?rnqvist

正如Huh, Cheung, Wang, & Isola (2024)所發現的，表征學習算法能夠識別出在統計上模擬各種測量和投影的向量嵌入，這或許意味著LLMs能夠具備某種類似人類的心理表征或對現實世界的抽象映射(Yildirim & Paul, 2023)。考慮到語言模型在越來越多的數據和更廣泛的任務上進行訓練，其一致性隨規模而提高，這可能表明“硅基人”會逐漸呈現出一種與人類進化相似的模式，通過學習進化塑造的語言輸出，逐步獲得高水平的“心理解讀”能力。邏輯上，如果人類進化賦予了我們特定的心理過程，那么設計用來模擬人類語言的LLMs多少也會運用到類似的進化邏輯去生成文本(Horton, 2023)。當然，這并不意味著它們在生物學上是真正“進化”了，但在統計與算法的層面上，它們或許會不知不覺間重演了我們人類在語言與思維中所經歷的那條“進化脈絡”。

當LLMs不僅能模擬外部語言和行為模式，還在一定程度上反映其內部結構和能力時(Miotto, Rossberg, & Kleinberg, 2022)，我們就不得不問：它們是否在某種意義上“繼承”了被模擬對象（即人類）的某些特質？“硅基人”這個概念意在說明，LLMs通過內部表征機制來處理并生成語言，而這些在訓練過程中形成的內部機制，很可能正是對人類語言與行為模式的一種外在映射。如果未來研究證明這些機制的確有效，那么“硅基人”或許就不只是“看起來像人”，而真能體現出類似人類的動機或行為傾向。換言之，它的表現可能隱含了一種“模擬版的自然選擇”：在海量訓練數據中，愈能準確預測、擬合人類心理或社會規律的部分就會被“保留和強化”，從而讓它更像我們人類。

如果未來研究證明這些機制的確有效，這似乎觸及了人工智能的一個核心問題：預測越精準的模型，是不是就越能反映其所訓練數據的“本質”？同樣，模型在輸出時的表現，是否可以被視為把訓練數據中潛藏的屬性或特征“內化”并顯現出來？隨之而來的另一個追問是：“硅基人”在生成輸出和做出決策時，是否會像人類一樣，被類似基本社會動機（FSMs）這類因素所驅動？(Horton, 2023; Yildirim & Paul, 2023; Buss, 1995)。

歸根結底，“硅基人”能否在不同人口統計學亞群體之間，甚至在與進化意義深遠的動機相關的情境中，都作出近似人類的細膩反應，似乎與它是否能充分激活并調用LLM“隱性知識庫”中的豐富結構性內容息息相關。盡管當下的LLMs無疑展現出非凡且往往出人意料的涌現能力，但它們到底在多大程度上“真正理解”了人類心理的層次和進化結構？這種隱性知識的確切性質、深度、真實性及其潛在機制，依然是未來科學研究和理論探討的一大焦點，也是一個讓人倍感好奇與期待的前沿領域。

作者后記：根據上文對“硅基人”和人類參與者在基本社會動機方面的研究思路，我們初步實證研究發現大語言模型在模擬人類行為方面展現出還不錯的能力（論文待發表）。探索性網絡分析的結果也表明LLMs生成的“硅基人”數據在心理結構上與真實人類數據存在一定的相似性，尤其是在GPT-4模型中，其復雜性甚至能與人類數據相媲美，表明它能夠捕捉到不同動機之間的深層關聯，例如自我保護和疾病規避等關鍵動機。

此外，在預測準確性方面，GPT-4在所有或絕大多數基本社會動機變量上都與人類數據顯示出顯著的相關性（盡管不高，但排除了提前將問卷預訓練的可能性），尤其是在疾病規避和自我保護等進化上較為突出的動機上，其預測精度尤為出眾 。然而，當進一步采用更嚴格的“網絡比較測試”（NCT）時，結果顯示GPT-3.5和GPT-4生成的網絡結構與人類網絡結構之間存在顯著差異，盡管GPT-3.5在整體強度上與人類網絡相似 。

這意味著，雖然LLMs能夠通過其龐大的訓練數據學習并表面上模仿人類的語言和行為模式，甚至在某些方面展現出與人類心理動機相似的“涌現”能力， 但它們尚未完全掌握人類心理的內在結構和復雜關聯 。換句話說，LLMs可能能夠“看起來像人”，但在深層次的心理機制上，它們與真實的“人性”仍有差距 。隨著LLMs的不斷發展和完善，它們在理解和模擬人類心理方面的能力有望進一步提升，這將是未來“機器心理學”領域的一個重要研究方向 。

Aher, G. V., Arriaga, R. I., & Kalai, A. T. (2023). Using large language models to simulate multiple humans and replicate human subject studies. In International Conference on Machine Learning (pp. 337-371). PMLR.

Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3), 337-351.

Buss, D. M. (1995). Evolutionary psychology: A new paradigm for psychological science. Psychological Inquiry, 6(1), 1-30.

Chen, Y., Liu, T. X., Shan, Y., & Zhong, S. (2023). The Emergence of Economic Rationality of GPT. arXiv preprint arXiv:2305.12763.

Conwell, C., Prince, J. S., Kay, K. N., Alvarez, G. A., & Konkle, T. (2022). What can 1.8 billion regressions tell us about the pressures shaping high-level visual representation in brains and machines?. BioRxiv, 2022-03.

Dillion, D., Tandon, N., Gu, Y., & Gray, K. (2023). Can AI language models replace human participants?. Trends in Cognitive Sciences.

Field, A., Blodgett, S. L., Waseem, Z., & Tsvetkov, Y. (2021). A Survey of Race, Racism, and Anti-Racism in NLP. arXiv:2106.11410v2.

Hagendorff, T. (2023). Machine psychology: Investigating emergent capabilities and behavior in large language models using psychological methods. arXiv preprint arXiv:2303.13988.

Horton, J. J. (2023). Large language models as simulated economic agents: What can we learn from homo silicus? (No. w31122). National Bureau of Economic Research.

Huh, M., Cheung, B., Wang, T., & Isola, P. (2024). The Platonic Representation Hypothesis. arXiv preprint arXiv:2405.07987.

Miotto, M., Rossberg, N., & Kleinberg, B. (2022). Who is GPT-3? An exploration of personality, values and demographics. In Proceedings of the Fifth Workshop on Natural Language Processing and Computational Social Science (NLP+CSS) (pp. 218-227). Association for Computational Linguistics.

Neel, R., Kenrick, D. T., White, A. E., & Neuberg, S. L. (2016). Individual differences in fundamental social motives. Journal of Personality and Social Psychology, 110(6), 887-906.

Pick, C. M., Ko, A., Kenrick, D. T., Wiezel, A., Wormley, A. S., Awad, E., ... & Varnum, M. E. (2022). Fundamental social motives measured across forty-two cultures in two waves. Scientific Data, 9(1), 499.

Strachan, J. W., Albergo, D., Borghini, G., Pansardi, O., Scaliti, E., Gupta, S., ... & Becchio, C. (2024). Testing theory of mind in large language models and humans. Nature Human Behaviour, 1-11.

Yildirim, I., & Paul, L. A. (2023). From task structures to world models: What do LLMs know?. Trends in Cognitive Sciences.

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。