[论文解读] The Scope and Limits of Simulation in Cognitive Models

Ernest Davis, Gary Marcus|arXiv (Cornell University)|Jun 16, 2015

Science Education and Pedagogy参考文献 20被引用 8

一句话总结

本文挑战了人类物理推理主要依赖于通过蒙特卡洛方法模拟轨迹的内部'物理引擎'这一假设。文章认为，基于模拟的模型在捕捉人类推理的关键方面时过于薄弱，而在解释系统性人类错误时又过于强大，因此得出结论：模拟只是更广泛认知架构中的一小部分，该架构整合了多种推理过程。

ABSTRACT

It has been proposed that human physical reasoning consists largely of running "physics engines in the head" in which the future trajectory of the physical system under consideration is computed precisely using accurate scientific theories. In such models, uncertainty and incomplete knowledge is dealt with by sampling probabilistically over the space of possible trajectories ("Monte Carlo simulation"). We argue that such simulation-based models are too weak, in that there are many important aspects of human physical reasoning that cannot be carried out this way, or can only be carried out very inefficiently; and too strong, in that humans make large systematic errors that the models cannot account for. We conclude that simulation-based reasoning makes up at most a small part of a larger system that encompasses a wide range of additional cognitive processes.

研究动机与目标

• 评估人类物理推理是否基于使用精确科学理论的内部物理系统模拟这一主张。
• 评估蒙特卡洛风格的模拟能否解释人类物理推理的优势与劣势。
• 识别基于模拟的模型中阻碍其完全解释人类认知的缺陷。
• 论证模拟仅是更大、更复杂的认知系统中的一小部分，该系统整合了多种推理机制。
• 对模拟在建模人类认知中的范围与局限性进行批判性分析。

提出的方法

• 分析人类物理推理的实证数据，以识别模拟模型无法再现的模式。
• 将基于模拟的模型与人类实际表现进行比较，特别是在涉及不确定性和知识不完整性的任务中。
• 通过理论分析表明，模拟模型无法解释人类物理推理中的系统性错误。
• 评估蒙特卡洛采样在模拟实时人类认知时的效率与可行性。
• 提出认知模型必须整合模拟与其他推理机制，如启发式方法、类比推理和概念抽象。
• 结合认知心理学与人工智能研究，主张构建超越纯粹模拟的混合认知架构。

实验结果

研究问题

• RQ1 基于模拟的模型能否完全解释人类在日常任务中的物理推理？
• RQ2 为何人类在物理推理中会犯系统性错误，而这些错误是模拟模型无法解释的？
• RQ3 在人类推理中，与模拟并行或替代模拟的其他认知过程是什么？
• RQ4 蒙特卡洛模拟在不确定条件下复制类人推理的效率如何？
• RQ5 除了模拟之外，构建完整的人类物理认知模型还需要哪些组成部分？

主要发现

• 基于模拟的模型过于薄弱，无法解释人类物理推理的诸多方面，例如对物体稳定性与受力相互作用的直觉理解。
• 人类在物理推理中频繁出现系统性错误，而模拟模型（假设物理理论准确）无法对此作出解释。
• 使用蒙特卡洛采样处理不确定性在实时人类认知中效率低下且不切实际。
• 模拟仅是更广泛认知系统中的一小部分，该系统还包括启发式方法、类比推理和概念抽象。
• 人类推理依赖于多种非模拟性认知过程，而这些过程无法被物理引擎模型所捕捉。
• 本文结论认为，基于模拟的模型作为独立框架，不足以建模人类认知。