最近，《自然》杂志发表了一项备受瞩目的研究——GPT-4在心智理论（ToM）方面的表现，竟然已经与人类不相上下，甚至在个别维度上还略占优势。这项由James W. A. Strachan团队主导的实验，将GPT-4、GPT-3.5、Llama2以及真人被试者放在一起，通过一系列经典测试进行了正面较量。

先说核心结论：心智理论，通俗来讲就是“揣摩他人内心想法的能力”，这是人类社交互动的底层技能。测试结果表明，GPT-4在这方面整体上与人类没有显著差异，甚至在识别讽刺、暗示这类高难度任务上，表现比人类更加稳定。具体来说，研究者设计了五个测试项目——错误信念、反讽、失言、暗示和奇怪故事。GPT-4在反讽、暗示和奇怪故事这三项上明显优于人类，在错误信念上持平，唯独在“失言”测试中得分偏低。

不过，这种“偏低”并非因为模型真的理解不到位，而是因为其采取了极为保守的策略——不轻易给出确定性的判断。在失言可能性测试中，GPT-4实际上展现了完美的性能：它能准确推断说话者的心理状态，判断出“无意冒犯”的可能性远大于“故意侮辱”。这说明它的理解能力完全在线，只是在输出时更倾向于谨慎表述。

研究还揭示了一个耐人寻味的现象：GPT模型内部可能已经具备了类似心智推理的技术复杂度，但在处理不确定情境时的“表态”方式与人类截然不同。人类天性倾向于消除不确定性，会主动做出推论来减少模糊；而GPT并不会自发地进行这种“补全”工作。换句话说，它知道答案，但不会主动说出来，除非你明确向它提问。

至于GPT-4在失言测试中的保守倾向，很可能源于模型底层架构中嵌入的安全措施——这些措施旨在提高事实准确性，同时避免用户对模型过度依赖。从这个角度看，这种“保守”未尝不是一种设计上的权衡。

整体而言，这项研究提示我们，GPT-4对人类心理状态的理解能力很可能被低估了。研究者也在论文结尾呼吁建立一门“机器心理学”，利用实验心理学的经典工具和范式，系统性地审视大型语言模型的能力边界与局限性。这或许才是更值得关注的长期方向。