利用认知抽象与推理语料库探索人类抽象规则推理与问题解决行为
人类在抽象推理方面展现出惊人的灵活性，能够从稀疏示例中快速学习并应用规则。为了深入探究这种能力背后的认知策略，研究人员开发了认知抽象与推理语料库（CogARC），为理解人类智能与人工智能的差异提供了宝贵数据。这项研究不仅揭示了人类抽象推理的行为模式，也为AI系统设计提供了重要参考。
研究背景
抽象推理是人类智能的核心能力之一，也是当前人工智能领域面临的重要挑战。抽象与推理语料库（ARC） 最初由François Chollet于2019年提出，旨在评估AI系统的抽象推理能力，但该语料库对人类来说过于困难。为了更有效地研究人类认知过程，研究团队从ARC中筛选出适合人类解决的子集，创建了认知抽象与推理语料库（CogARC）。
这项研究由来自波士顿大学、麻省理工学院等机构的七位研究人员共同完成，论文于2026年2月提交至arXiv预印本平台。研究团队希望通过系统观察人类在解决抽象推理问题时的行为模式，揭示人类认知策略的本质特征，为构建更接近人类智能的AI系统提供理论基础。
核心内容
研究团队进行了两项实验，共有260名参与者尝试解决75个抽象视觉推理问题。这些问题要求参与者从少量示例中推断输入输出规则，然后将测试输入转换为正确的测试输出。研究采用高时间分辨率记录参与者的行为数据，包括示例查看时间、编辑序列和多尝试提交记录。
实验结果显示，参与者在整体上表现良好：实验1（40名参与者）的平均准确率约为90%，实验2（220名参与者）的平均准确率约为80%。然而，不同问题和参与者之间的表现差异显著。更困难的问题引发了更长的思考时间和更大的解决方案策略差异。
值得注意的是，随着任务进行，参与者开始更快地启动响应，但准确率略有下降，这表明他们对任务结构更加熟悉，而非规则学习能力有所提高。即使是不正确的解决方案也常常高度收敛，尽管问题解决轨迹的长度和平滑度各不相同。
行业影响
这项研究对人工智能领域具有多重重要意义。首先，CogARC为研究人类抽象推理提供了丰富的行为环境，帮助研究人员理解人类如何在不完全信息下进行泛化、错误泛化和策略调整。其次，研究揭示了人类与AI在抽象推理方面的关键差异：人类更擅长从稀疏示例中快速学习，而当前AI系统在这方面仍存在局限。
- 为AI系统设计提供新思路：通过分析人类的问题解决轨迹，AI研究人员可以设计更接近人类认知模式的算法
- 推动可解释AI发展：理解人类如何“思考”有助于开发更透明、更可信的AI系统
- 促进人机协作：研究结果为设计更有效的人机交互界面提供了认知科学基础
总结与展望
CogARC研究不仅加深了我们对人类抽象推理机制的理解，也为人工智能的发展指明了方向。研究团队强调，即使是不正确的解决方案也常常高度收敛，这表明人类在问题解决过程中展现出强大的模式识别和策略适应能力。这些发现对于开发能够像人类一样从少量示例中学习的AI系统至关重要。
未来，研究团队计划进一步扩展CogARC，纳入更多样化的问题类型和参与者群体。同时，他们希望将人类行为数据与AI性能进行直接对比，为构建更强大的抽象推理系统提供实证基础。随着认知科学与人工智能的深度融合，我们有理由期待更智能、更人性化的AI系统即将到来。