心理学家用来检测儿童心智能力的经典实验，如今被用来考验大语言模型。一项名为SCALPEL的新方法像手术刀般精准揭示：AI看似理解人类想法的能力，可能只是假象。
心理学中著名的“错误信念任务”（False Belief Task）就像检测心智理论（Theory of Mind, ToM）的温度计。最经典的版本是“萨利-安妮测试”：萨利把弹珠放进篮子后离开，安妮将弹珠移到盒子，研究者会问儿童“萨利回来后会去哪里找弹珠？”正确回答需要理解他人可能持有与事实不符的信念。这个测试被移植到AI领域后，大语言模型（LLMs）的表现引发了激烈争论——它们究竟是真的具备推断他人心理状态的能力，还是仅仅在模仿语言模式？
研究者设计了一个巧妙变体：假设有个透明饼干罐，里面装的却是铅笔。当问“没打开罐子的人会认为里面有什么”时，人类能立即推断“看到透明罐子的人会知道内容物”，但许多大语言模型会犯错。这种“透明访问”修改（transparent-access）暴露了关键问题：AI可能缺乏基础常识推理能力，比如“透明意味着可视”。这就像给通过驾照理论考试的新手一个方向盘——书本知识无法自动转化为实际驾驶能力。
为精确定位失败原因，团队开发了SCALPEL（选择性对抗语言提示比较法）。这种方法像调整显微镜焦距：通过渐进式修改测试问题（如逐步增加透明容器的提示强度），观察模型表现如何变化。例如先问“罐子是什么材质”，再问“这种材质是否透明”，最后才问核心问题。结果发现，即使给予明确提示，某些模型仍无法建立“透明→可见→知晓”的逻辑链条。这种方法的价值在于，它能区分模型是“完全不懂规则”还是“需要提示才能激活相关知识”。
研究发现，现代大语言模型确实超越了简单的词语统计，能够进行一定程度的抽象推理。但当任务需要结合常识进行多步推断时（如理解视觉信息会影响心理状态），表现就会大幅波动。这类似于一个熟读交通法规却不会根据天气调整驾驶策略的司机。值得注意的是，模型在标准测试中的成功，可能源于训练数据中类似例题的重复，而非真正掌握心智推理能力。
这项研究开创了“机器心理学”的新思路：用人类认知测试反哺AI研究，同时通过AI的失败反思人类认知机制。比如，儿童在错误信念任务中会经历“知否-知怎”（knowing that与knowing how）的转变，而AI的“卡壳”恰好揭示了隐性常识的重要性。这种双向研究就像用棱镜分光——既分析AI的能力光谱，也折射出人类心智的复杂成分。
对开发者而言，SCALPEL提供了诊断工具：如果AI在“透明罐”测试中失败，可能需要加强常识推理模块；对普通用户来说，这提醒我们警惕将AI的表面流畅误认为真实理解。就像不会因为计算器能解方程就认为它有数学直觉，我们也不该因AI通过某些心理测试就赋予它心智。未来研究可以沿着两个方向推进：构建更精细的认知评估框架，以及开发能自主积累常识的学习架构。