北京
很多人提起人工智能，第一反应是算力、大模型、数学公式。但一个容易被忽略的事实：辛顿、哈萨比斯、萨顿、西蒙，这些重塑AI发展历程的顶尖学者，都具备深厚的心理学背景。这绝非巧合。代码、算力、数据只是AI的外壳，认知心理学，才是驱动人工智能从简单拟合走向类人认知的隐性底层力量。
纵观人工智能七十余年发展脉络，真正推动AI范式迭代的关键人物，大多游走在认知心理学与计算机科学的交叉地带。人工智能先驱赫伯特·西蒙，身兼心理学家、认知科学家、计算机科学家多重身份。他跳出纯工程计算的固有框架，提出“认知即计算”理论，把人类信息接收、加工、决策的认知规律转化成可落地的机器逻辑，奠定了符号主义AI的根基。西蒙研究的本质，不是单纯写程序，而是尝试用机器复刻人的认知过程。
强化学习的诞生，更是认知心理学赋能AI的典型缩影。强化学习鼻祖萨顿，其理论源头来自行为主义心理学的试错学习、奖惩反馈机制。人类在环境中不断尝试、接收反馈、沉淀经验，这套学习规律被萨顿量化为奖励函数、策略迭代算法。如今无人系统自主决策、多智能体博弈背后的强化学习，根源都来自对人类行为学习模式的模仿。
深度学习奠基人辛顿，AGI探索者哈萨比斯，同样深耕认知心理学。辛顿的神经网络研究，灵感来自人脑分层感知、记忆提取的认知机制，打破传统人工特征工程的桎梏，让机器拥有类人的视听感知能力；哈萨比斯打造AlphaGo时，并不只是堆砌算力，而是借鉴人类棋手的直觉、复盘、全局博弈思维，让算法跳出局部最优的计算陷阱，拥有战略层面的判断能力。
长久以来行业存在一个普遍误区：认为AI的突破，只依靠算力扩容、数据增加、算法调优。但实际上，算力决定AI的上限，数据决定AI的拟合精度，心理学决定AI的认知高度。脱离认知心理学的纯工程AI，只能学习数据里的相关性，做概率层面的拟合，也就是我们如今看到的大模型幻觉、因果缺失、无法真正理解意义。机器擅长“识”，也就是计算与识别；而意图、价值取舍、博弈谋略这类“意”，根植于人类认知与心理。
放到人机环境系统智能的视角来看，这一点更加清晰。机器的感知计算可以依靠工程技术实现，但人机协同里的意图理解、抗欺骗博弈、动态环境下的价值判断，都离不开对人类心理、认知规律的理解。当下AI难以攻克的高阶认知难题，很多根源就是缺少心理学理论的支撑。
认知心理学不是AI的辅助学科，而是核心底层驱动力。未来人工智能从专用智能迈向认知智能，不会只来自算力和数据的增量升级，更来自心理学与人工智能的深度融合。只有理解人的感知、记忆、推理、动机，才有可能破解AI认知短板，真正实现人机协同共生。
算力和数据可以造出强大的计算机器，而认知心理学，才有可能孕育拥有真正认知的智能。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
