人类的聪明，可能不是知道更多，而是知道什么时候够了

人类在学会一个社会规则时，并不总是在收集越来越多的证据、计算最可能的选项。很多时候，我们先在混乱里试几次，等某种模式达到「够好」的门槛，就把它当成规则，之后对少量反例不再频繁改口。

这不是一篇证明「人类比 AI 聪明」的论文。它提出了一个更具体、也更难回避的问题：当信息稀少、信号嘈杂、没有人告诉我们正确答案时，人类究竟如何决定「我已经看够了，可以开始按这个规则行动」？这个决定，可能正是当前 AI 反思、科学判断和人机协作里最不稳定的一环。

2026 年 4 月，Stanford Graduate School of Business 组织行为副教授 Douglas R. Guilbeault、CUNY Graduate Center 语言学助理教授 Spencer Caplan 和宾夕法尼亚大学语言学与认知科学教授 Charles Yang 在 PNAS 发表了一项研究。他们研究的不是语言模型，而是人类如何在没有明确指令的情况下学会社会惯例。1

实验素材来自一种叫 Name Game 的协调游戏。参与者看到一张陌生人脸，各自给它取名；如果两个人取了同一个名字，就得到奖励。大家不能交谈，也不能事先约定用哪个名字。研究者分析了 24 人、48 人和 96 人的全连接网络数据，发现群体通常要经过 20 到 30 轮的混乱尝试，才会突然围绕一个名字稳定下来。相关实验共涉及 264 名参与者。2

研究者把四种解释放进模型里比较：模仿别人、选择记忆中出现频率最高的选项、按频率随机选择，以及一种基于「容忍原则」的阈值学习。后者的规则很朴素：一个模式还没有足够证据时，人会继续试探；当它在有限记忆中占据足够优势，人就把它当成可推广的规则，开始稳定采用。

「容忍原则」原本用于解释儿童如何从带有例外的语言输入中学会语法。它的核心不是要求规则百分之百正确，而是计算在样本量为 N 时，例外少到什么程度，学习者才值得把它概括成一条规则。论文的主模拟把记忆窗口设为 12 个位置，在这个设定下，一个名字占据至少 8 个位置时，模型会把它视为「够好」的规则。这个数字是模型设定下的示例，不是人脑里被测到的固定开关。1

结果呈现出明显的两阶段。达到阈值以前，人的选择带有试探性，行为会随着新信息改变；达到阈值以后，选择突然稳定下来。阈值模型比模仿模型、优化模型和贝叶斯方法更能重现 Name Game 的逐轮选择与群体收敛，也更能解释一个已有惯例如何被少数持续反对者推翻。在另一项预注册的双人实验里，参与者需要在带噪声的信号中判断非语言行为模式，阈值模型同样最贴近人的学习速度。3

这里最值得关注的不是那个公式，而是人类认知对信息的处理方式发生了切换。

在第一阶段，人需要保持开放，允许多个解释并存；在第二阶段，人需要停止搜索，选择一个可以协调行动的解释。前者保护探索，后者节省认知资源。若一直等到证据完美，群体永远无法形成语言、礼仪或组织习惯；若过早承诺，又会把偶然噪声变成规矩。

这和把人类描述成「小型语言模型」不太一样。语言模型的经典叙事是：看过足够多的数据，估计下一个行为最可能是什么。论文的对照结果则提示，人的社会学习未必是在持续优化预测精度。人先从不确定的样本里摸索，随后用一个分类性的判断结束搜索：这个模式已经足够稳定，可以暂时当作规则。

我更愿意把它理解成一种「信息预算管理」。聪明不只是找到更多相关信息，也包括判断继续找下去是否还会改变行动。对于现实中的团队协作、研究选题和政策判断，这个分界很重要。一个人可能不是因为证据更多才做出决定，而是因为他知道哪些新证据值得等，哪些反例只够让规则保留例外。

但这项研究也有几道不能绕过的限制。它的核心数据来自结构非常干净的游戏，参与者的目标是协调取名；真实社会规则还会被身份、权力、地位和利益塑造。研究者用记忆窗口重建人的学习过程，虽然结果在不同窗口设定下仍较稳定，但「记忆里究竟保留了什么」并不是直接观测到的心理过程。更重要的是，论文比较的是几类行为模型，并没有把 GPT 或 Claude 放进同一场游戏。因此，它不能直接证明人类已经拥有某种 AI 没有的机制，只能说明「持续优化」不是解释人类社会学习的唯一候选。4

这正好接上最近 AI 研究里的一个尴尬：模型越来越会写出反思、检查和自我修正的文字，但研究者还没有形成共识，什么才算真正有效的元认知。

7 月 13 日，Yale University 与 University of California, Irvine 的研究者发布了关于 LLM 元认知的综述。文章指出，当前文献里的「元认知」经常只是让模型反思答案、评估置信度或根据反馈重写输出，这些行为与心理学里的元认知只有松散对应。现有结果也高度依赖任务、模型家族、后训练方式和置信度提取方法，尚无证据表明 LLM 已经拥有稳定、跨领域泛化的统一元认知机制。5

这让「模型说它不确定」这句话变得不够用了。真正有用的自我监控，应该能改变下一步动作：停止一个无效搜索，换一种分析策略，请人介入，或者拒绝把一个未经验证的结果交给下游决策。语言上的谦虚只是表现，行动上的切换才接近研究里所说的监控与控制。

OpenAI 在 6 月 30 日发布 GeneBench-Pro，用 129 道计算生物学题测试 AI agent 是否能判断数据支持什么问题、根据诊断结果修改分析路径，以及何时可以把结果交给下游决策。OpenAI 公布的结果显示，GPT-5.6 Sol 在最高推理档的通过率为 28.7%，开启 Pro 模式后为 31.5%；该评测由 OpenAI 设计和运行，不能当作独立机构的结论，但它把「会不会执行代码」和「知不知道该怎么解释脏数据」区分开了。6

这类题目测的正是「够不够」：数据有异常时，模型要决定是修正假设、换估计量，还是承认现有证据还不能支持结论。OpenAI 引用的评审意见也指出，当前 agent 经常能观察到数据问题，却不够谨慎地处理这些问题。

Anthropic 的 Frontier Red Team 在 7 月 9 日公布机器人测试：同一个模型，直接控制电机、写控制器、监督预训练策略，得到的表现差异很大。模型直接驱动关节时大多失败，接入预训练的步态或视觉动作策略后，才开始完成有限的导航和抓取；在需要稳定空间记忆、自定位或长时间开放式规划的任务上，仍然容易失败。直接操纵机械臂的完整任务成功率最高也只有 5.5%。7

这里的启示不是「模型不会机器人」，而是模型何时应该自己判断、何时应该把动作交给更窄的控制器，仍然是系统设计问题。能调用工具，不等于能判断工具的边界。

7 月 14 日，《The Scholarly Kitchen》发表了一篇关于「Open Science 2.0」的评论文章，提出开放科学的下一阶段不能只追求可访问，还要补上信任、可验证性、学习和解释。文章认为，AI 能把数百篇研究压缩成一段答案，却也可能把方法限制、冲突解释和不确定性一起压扁；当检索变得便宜，提出好问题、评估证据和理解适用边界反而更依赖专业知识。8

把这三条信号放回 Name Game，问题会更清楚：AI 的下一道门槛未必是再读更多材料，而是能否在不确定性中管理搜索、承认例外、改变策略，并在证据还不够时不把流畅答案误当成可以执行的规则。对使用者来说，最实际的检查不是让模型再说一遍「我有多大把握」，而是追问：什么新证据会让你改变下一步？