LLM 能当认知科学的「通用研究工具」吗？从五大挑战到五个未解缺口
你有没有过这种困惑：心理学论文里同一个概念换个名字就成了新理论，想做个文献综述要翻几十个子领域的论文？认知科学困在「碎片化」里几十年了，LLM 能帮上忙吗？
一、认知科学的「老大难」：为什么研究越做越碎？
认知科学横跨心理学、语言学、神经科学、计算机科学等多个学科，本来是想搞清楚「心智是怎么工作的」，结果越研究越像盲人摸象——每个子领域都在自己的小角落里攒概念、造量表、建模型，互相之间连术语都对不上。
这种碎片化不是某个人的问题，而是整个领域几十年的结构性困境。一篇最新的综述把这些长期挑战归纳成了五类 [1]：
第一是知识综合难：文献量爆炸，跨子领域的联系越来越难被发现，很多研究其实在重复造轮子。 第二是理论形式化不足：很多心理学理论还是「口头理论」——用自然语言描述，听起来有道理，但没法写成代码跑，也没法做精确的预测检验。 第三是概念与测量冗余：这是最夸张的。美国心理学会的 PsycTests 数据库里有超过 38,000 个不同的构念（也就是研究者假设出来的心理学概念），而且独特测量工具的数量更多，其中很大一部分只被用过一两次 [1]。这里面藏着认知科学里一个著名的「叮当-叮当谬误」：同一个名字可能指完全不同的东西（叮当谬误），而同一个东西可能被起了无数个不同的名字（jangle 谬误）。 第四是模型泛化性差：大多数认知模型只能解释单一任务上的行为，换个任务就得重新建，离「统一的心智模型」很远。 第五是生态与文化语境缺失：传统实验大多在实验室里做，被试大多是西方大学生，研究出来的「人类决策」到底有多少代表性，一直是个问号。
这些问题存在了几十年，不是靠多招几个研究生就能解决的。而 LLM 之所以让一些研究者兴奋，恰恰是因为它看起来正好命中了这些痛点——它能读海量文本、能生成代码、能做语义关联。但它到底是真能解决问题，还是又一轮 hype？
二、LLM 能帮上什么忙？五个真实用例
我们先看已经在做的事。综述论文梳理了 LLM 在认知科学里的五类核心用途 [1]，每一类都对应前面说的一个老大难问题。
第一个用途是知识合成：让 LLM 去读分散在各子领域的文献，找出跨领域的概念关联。相当于给研究者配了一个超级文献助理，能在几十万篇论文里找「原来 A 领域说的 X 和 B 领域说的 Y 其实是一回事」。
第二个用途是形式化建模：把口头描述的心理学理论转成可执行的计算模型。以前一个理论要形式化，得有既懂心理学又懂建模的专家花好几个月。现在有研究用 LLM 做了一条流水线：给它任务描述和参与者数据，让它提出计算模型，再用留出集的表现反馈迭代优化。结果在决策、学习、规划、工作记忆等领域，LLM 生成的模型在许多情况下匹配甚至超过了已有计算模型的预测性能 [1]。
第三个用途是测量分类学整理，也就是解决前面说的 38,000 个构念的混乱。LLM 的语义嵌入（semantic embedding，把词语的意思转换成高维空间里的向量，意思相近的词在空间里离得近）可以自动把语义相关的构念聚成一类，揪出那些「换马甲」的重复概念。有研究用人格量表做了实验，直接把假设构念集减少了约 75% [1]——也就是说，原来四个人格概念里有三个其实是换了个名字。
第四个用途是统一认知框架。这是最有野心的一个方向：能不能训练一个模型，同时解释人类在各种认知任务上的行为？一个叫 Centaur（半人马）的基础模型做了尝试——它把决策、学习、记忆、认知控制等各种心理学实验的说明和参与者反应都当文本喂进去，结果不仅能预测人类行为，还能泛化到没见过的新任务，甚至内部表征和人脑的神经活动模式也能对上 [1]。这可能是第一个真正跨领域的「通用认知模型」雏形。
第五个用途是语境化表征，也就是补生态效度的课。以前研究决策都是实验室里让大学生做假想题，现在研究者用 LLM 处理了超过 100,000 个来自在线论坛的真实选择困境——比如「要不要辞职」「该不该和对象分手」，自动提取每个选择背后的考量和权衡结构 [1]。这是第一次在这么大的规模上研究真实生活里的决策长什么样。
当然，实际情况比这个比喻更复杂——这些应用大多还在研究阶段，效果也参差不齐。但至少说明，LLM 不是只能用来写文案，它确实摸到了认知科学一些长期痛点的边。
三、高兴太早：四类风险和「人类不能撒手」的理由
但如果因此就说 LLM 能解决认知科学的所有问题，那就太天真了。综述论文明确提出了四类核心风险 [1]，每一类都足以让研究走偏。
第一类是过度简化。LLM 天生喜欢把复杂的东西揉成平滑的模板，但认知现象很多是高度依赖语境、充满细微差别的。自动合并构念可能会把本来有合理理论差异的概念也合并掉，抹杀了学术多元性 [1]。就像你不能因为两个人长得像就说他们是同一个人——有些概念的差异虽然细微，但可能是理论的关键。
第二类是不透明性。LLM 是个黑箱，它能给出预测，但你不知道它为什么这么预测。这就带来一个危险：预测成功不等于有解释价值。一个模型能预测人类行为，不代表它内部的机制和人类心智的机制是一样的 [1]。Centaur 模型虽然表现好，但作者也承认，它对任务输入的微小变化很脆弱，内部表征不透明，很难解释 [1]。
第三类是技能退化。如果研究者越来越依赖 LLM 做形式化建模、做文献综述，那自己的建模能力和概念分析能力会不会退化？这不是危言耸听——就像计算器普及后很多人心算能力下降一样，当自动化工具接管了核心技能，研究者可能会逐渐失去对理论的深度把控 [1]。
第四类是偏见。LLM 的训练语料本来就有很强的西方、受过教育、工业化、富裕、民主（WEIRD）群体的偏向，而认知科学本身的样本就已经有这个问题了。用 LLM 可能不是在纠正偏差，而是在放大偏差——它会告诉你「主流共识就是这样」，但这个共识可能本来就只代表了一小部分人 [1]。有研究用 LLM 验证萨丕尔-沃尔夫假说（语言影响认知的理论），就发现 LLM 能生成符合理论原则的回答，但在双语、创伤记忆等需要细微语境的场景下就给不出有深度的洞见 [7]。
所以这里的核心结论很明确：LLM 是辅助工具，不是替代品。另一篇关于信息融合的综述也得出了类似的结论——LLM 最有价值的角色不是独立的决策引擎，而是人机协作的自适应接口、推理辅助和编排层 [2]。人类专家的监督和判断，是整个流程里不能省的一环。
四、往深里看：从认知架构到语言 Agent，哪些能力是「重新发明」的？
聊到这里，熟悉认知科学的人可能会觉得有点眼熟：记忆、规划、反思、工具使用……这些词怎么和几十年前的经典认知架构听起来这么像？
确实，现在的语言智能体（language agent，指能自主感知环境、做决策、执行动作的 LLM 系统）挂在嘴边的很多能力，早在上世纪的认知架构（cognitive architecture，也就是关于心智结构的统一理论框架，比如 ACT-R、Soar）里就讨论过了。那这是历史的重复，还是真的有新东西？
一篇最新的机制级综述专门研究了这个问题。它没有停留在「都有记忆/规划」这种标签层面，而是把每个机制拆成了状态、控制、触发、持久化、失败、学习、资源治理七个维度，然后把 10 个经典认知架构、8 个现代语言 Agent 运行时家族和 42 个专项机制系统放在统一框架里对比 [5]。
结果很有意思：现代语言 Agent 确实已经实现了相当多的能力——自适应记忆、失败恢复、动态团队选择、工作流搜索、技能归纳、资源调度、不确定性条件下的行动——但这些大多是独立趋同演化的结果，不是直接从经典认知架构那里继承来的 [5]。
什么叫趋同演化？就像鸟类和蝙蝠都长出了翅膀，但不是从同一个祖先那里继承来的，而是各自为了解决飞行的问题，独立演化出了相似的结构。现代 Agent 的很多机制也是这样——工程师为了解决实际问题（比如记忆怎么存、失败了怎么办），摸着石头过河，摸出来的方案和几十年前认知科学家从理论上推出来的结构撞上了 [5]。
这既是好事也是坏事。好事是说明这些机制可能确实是「通用智能的必经之路」，两边独立走都走到了同一条路上。坏事是——既然是独立摸索的，就很可能漏掉了经典架构里一些经过深思熟虑的设计，尤其是那些机制和机制之间的耦合方式。
五、还差什么：五个没补上的机制缺口
那具体差在哪呢？这篇综述用「残差束筛选法」——先找出所有缺失的原子能力，再把互相依赖、必须放在一起实现的打包成束——最后筛出了五个还没被现代 Agent 补上的关键机制组合缺口 [5]。
第一个缺口是激活与延迟、动作效用的耦合。什么意思？经典认知架构里的「记忆」不只是一个存东西的数据库，它还有「激活水平」这个属性——越常用的记忆激活越高，提取越快；时间越久，激活会衰减；而且激活还和动作的价值挂钩，值不值得花时间去想这件事，是有计算的 [5]。而现在很多 Agent 的记忆系统，还停留在「存进去、搜出来」的阶段。
这一点也得到了记忆系统评测研究的支持。一篇评测了 12 种代表性 Agent 记忆系统的论文发现，没有任何一种单一架构能在所有场景下占优：混合系统在对话问答上领先，图方法在单跳事实回忆上表现好但时序推理弱；检索精度会随着证据和查询的时间距离增大而显著下降；很多仅追加存储的系统在证据变远时会出现灾难性退化 [3]。说白了，现在的记忆系统还很「笨」，不知道什么重要、什么该忘、什么该优先想。
第二个缺口是类型化僵局 + 隔离子状态 + 解析编译。经典架构比如 Soar 里，「卡住了」本身就是一种有正式地位的状态——它会自动开一个隔离的子问题空间去解决僵局，解决完还会把经验压缩成下次能用的快捷方式 [5]。而现在很多 Agent 的失败处理更像「出了错就补一句反思」，没有隔离、没有类型、也没把教训安全地存下来。
第三个缺口是有界内容竞争 + 广播 + 准入学习，第四个是持久意图 + 重考虑 + 实时方法权限，第五个是不确定性 + 资源分配 + 中断 + 停止 [5]。这些缺口有一个共同点：它们都不是单个功能的缺失，而是多个机制之间缺少耦合。单个看，记忆、规划、反思这些功能好像都有了，但拼在一起的时候，缺了那些让它们真正协同工作的「接口」和「规则」。
多智能体系统的架构研究也印证了这个方向——要让系统真正跑起来，光有单个模块不够，还需要动态路由、分布式状态管理、分层记忆架构、资源优化这些系统级的设计 [4]。而现在我们对这些系统级耦合的理解，还很初步。
六、回到最初的问题：LLM 能让认知科学更「累积」吗？
绕了一圈，我们回到最开始的问题：LLM 能当认知科学的「通用研究工具」吗？它能把这个领域从碎片化的泥潭里拉出来，走向更具累积性的科学吗？
答案是：有可能，但前提是我们用对方式，并且对它的边界有清醒的认识。
从好的一面看，LLM 已经在知识合成、理论形式化、测量整理、统一框架、语境化表征这五个方向上展现出了实实在在的潜力 [1]。它处理文本的规模和速度是人类研究者比不了的，这意味着以前那些因为「太费功夫」而做不了的事——比如整理几万个构念、分析十万个真实决策——现在变得可能了。
但它不是万能的。过度简化、不透明、技能退化、偏见这四类风险是真实存在的 [1]。更重要的是，从认知架构的视角看，我们现在的 LLM 和 Agent 系统，离一个真正意义上的「心智模型」还差得远——五个关键的机制耦合缺口还没补上 [5]，记忆系统连最基本的生命周期管理都还没做好 [3]。
所以最合理的定位，大概是「聪明的研究助理」。它能帮你读文献、整理概念、生成模型原型、处理海量数据，但最终的判断、解释、理论建构，还是得靠人类研究者。就像那篇综述的核心结论说的：只有当 LLM 被审慎地用来补充而非替代人类能动性时，它才能推动一门更具整合性和累积性的认知科学 [1]。
如果你只记住一件事
LLM 是认知科学的有力辅助工具，但只有在人类研究者的审慎监督下，它才能真正帮我们推动领域走向整合。
参考文献
- Addressing Longstanding Challenges in Cognitive Science with Language Models（arXiv、2026、全文精读）
- Opportunities and challenges for fusion of information using large language models (FILLMs)（2026、仅摘要）
- Are We Ready For An Agent-Native Memory System?（arXiv (Cornell University)、2026、全文精读）
- The Systems Architecture of LLM Multi-Agent Systems: Routing, Memory, and Resource Optimization（Zenodo (CERN European Organization for Nuclear Research)、2026、仅摘要）
- From Cognitive Architectures to Language Agents: A Mechanism-Level Review of Lineage, Convergence, and Migration Gaps（arXiv、2026、全文精读）
- Large Language Models as Psychological Simulators: A Methodological Guide（Advances in Methods and Practices in Psychological Science、2025、仅摘要）
- Challenges and Verification: The Reproduction of the “Sapir-Whorf Hypothesis” by Large Language Models（English Language Teaching and Linguistics Studies、2025、仅摘要）