心智理论中的他者如何被建模

他心推断依赖日常直觉的默认模式

我们在街上看到一个人突然停下脚步抬头张望，通常会直接认为他在找路牌或者等朋友。这种判断几乎不需要停顿。大脑把视觉输入转化为对他者意图的推测，整个过程快得像条件反射。

认知科学把这种能力称为心智理论。它不是一套经过训练的推理规则，而是人类在进化中形成的默认机制。婴儿在九个月左右开始跟随他人的视线方向，四岁左右能够通过错误信念任务。这些发育节点表明，推断他人心理状态是神经系统的内置功能。

这种内置功能处理简单社交足够用。

但日常直觉的运作高度依赖熟悉的环境线索。邻居买菜时挑拣西红柿的动作，我们一眼就能看出他对新鲜度的要求。因为场景可预测，对方的目标也和我们高度重合。直觉在这种情境下几乎不会出错。

一旦脱离熟悉语境，直觉的可靠性就会下降。面对文化背景完全不同的陌生人，或者处于利益冲突的谈判桌前，我们习惯性的猜测经常偏离实际。直觉给出的答案往往是我们自己愿望的投射。这迫使人去追问，推断他心到底依靠什么更可靠的依据。

早期的研究者试图记录这些直觉失效的瞬间。他们发现，当信息量过载或情绪卷入过高时，大脑会放弃直觉判断。人们开始寻找更系统的解释工具。

哲学传统将推断转化为逻辑论证的尝试

早期哲学家试图用严密的逻辑链条替代直觉。他们不满足于“我觉得他是这么想的”这种模糊表述，而是要求给出可验证的推理步骤。

约翰·斯图尔特·密尔在十九世纪提出类比论证。他的思路很直接。我知道自己的身体动作和心理状态是一一对应的。当我看到另一个人做出和我相似的动作时，根据类比原则，可以合理推断他背后也有相似的心理状态。这个推论听起来很稳固。

它却建立在极其脆弱的前提上。类比论证假设他人与我具有完全相同的内在机制。我们永远无法跳出自己的意识去直接核对这一点。论证最终只能证明我自己的经验，无法跨越主体间的鸿沟。

倒不是说密尔的方案毫无价值。它至少确立了一个基本方向，即理解他人需要可陈述的公共规则。哲学界随后开始清理那些无法被第三方检验的私人感觉。

吉尔伯特·赖尔在《心的概念》中指出了这种推理的冗余性。他认为把心理状态当作隐藏在行为背后的神秘原因，本身就是一种范畴错误。行为本身已经足够说明问题。一个微笑不需要背后先有一个“微笑的意图”作为逻辑起点。

赖尔的批评切断了传统哲学对内部实体的执念。他把注意力拉回到可观察的外部表现上。逻辑论证的路径因此发生了转向，从寻找隐藏的因果链条，变成了对公共语言规则的梳理。这种转向为后来的计算化尝试铺平了道路。

计算建模把心智状态拆解为可运算变量

二十世纪后期的认知科学家不再纠结于不可见的实体。他们开始把心智状态当作可以输入公式的参数。行为被视作目标驱动下的最优化结果。

这种思路的核心是逆强化学习。模型不关心对方感觉如何，只关心对方的行为序列。通过观察一系列动作，算法反推出隐藏的价值函数。价值函数代表了对不同结果的偏好权重。计算过程完全排除了主观体验。

克里斯托弗·贝克等人在二零一七年的研究中展示了这套方法的精度。他们构建了贝叶斯逆规划模型，输入观察者的轨迹数据，模型就能准确预测对方下一步的走向。数学工具把模糊的意图猜测变成了概率分布。

这种转化带来一个直接的后果。他者被简化为一个带有特定偏好权重的决策器。所有复杂的社交互动都被压缩成输入与输出的映射关系。模型运行速度极快，且在规则明确的封闭环境里表现优异。

计算路径的优势在于可重复验证。它的代价同样明显。现实中的心理状态从来不是静态的权重表。人在对话中会改变主意，会因为一句玩笑而临时调整目标。纯变量拆解忽略了心智在时间流中的动态生成。当你试图用算法捕捉一个正在犹豫的谈判者时，模型给出的往往是上一个时间点的偏好快照。它无法处理那种尚未成型、只在眼神交换中逐渐浮现的意图。这种滞后性在需要即时反馈的互动中会迅速累积误差。它需要一个更贴近实际交互的修正方案，去填补静态变量与流动经验之间的落差。

模拟理论试图在内部重建他者的运行轨迹

面对静态模型的局限，另一批学者把目光转向了自身的认知系统。他们认为，理解他人不需要外部观察，只需要调用自己的心理机制。

阿尔文·戈德曼在《心智中的模拟》里详细阐述了这一立场。他提出，当我们想要知道别人会怎么做时，大脑会自动把自己的信念和欲望替换成对方的参数。替换完成后，我们让自身的决策机制跑一遍。跑出来的结果就是对他者行为的预测。

这套方案巧妙地避开了逻辑论证的繁琐。它不需要建立复杂的理论库，只需要一套现成的自我模拟程序。神经层面的镜像系统为这种模拟提供了生理基础。看到别人伸手抓杯子，我们大脑中负责抓取的区域也会同步激活。

模拟理论把推断过程变成了内部实验。你不需要知道物理定律，只需要自己试一次。

不过这种内部实验有严格的适用范围。它只在双方心理机制高度同构时有效。面对自闭症谱系的个体，或者持有完全相悖道德观念的人，直接套用自身的运行程序会产生严重偏差。你用自己的价值观去模拟对方的选择，得出的结论往往只是自我投射的翻版。模拟理论在这里撞上了经验的墙壁。

研究者随后开始划定模拟的生效条件。他们发现，只有当双方共享相似的生活经验时，内部投射才能保持较高的准确率。否则，模拟就会退化为自我中心的臆测。

具身交互修正了纯内部推演的局限

纯粹的头脑风暴无法解释日常对话的流畅性。两个人面对面交谈时，并不需要先在脑子里建一个对方模型，再去推算下一句该说什么。

肖恩·加拉格尔和丹·扎哈维在《现象学心智》中将互动视为直接的知觉过程。他们指出，理解他人心智不需要复杂的推断或模拟。对方的表情变化、语气停顿和肢体微调，本身就是心理状态的直接呈现。我们是在互动中实时捕捉这些信号，而不是在幕后进行计算。

这种观点把重心从如何推断移到了如何共处。理解并非发生在个体内部，而是发生于互动双方之间。就像两个人一起搬一件沉重的家具，你不需要推测对方的用力方向，手上的力道和重心的偏移会直接告诉你下一步该怎么配合。

具身路径承认了经验的即时性。它不试图把心理状态抽离出来单独分析，而是把它放回具体的情境里。日常对话中常出现类似的僵局：双方都在拼命猜测对方的真实意图，结果反而越聊越远。停下来直接感受当下的互动节奏，往往比任何分析都能更快打破僵局。

交互视角提供了另一种解释思路。它不否认计算和模拟在某些场景下的作用，但坚持认为那些只是次级补救手段。最原初的理解方式始终是身体与环境的直接耦合。这种耦合在高度协调的场景里运行良好，但在需要保持社交距离的场合也会显得过于侵入。

当物理距离拉大时，直接耦合的通道就被切断。这时候大脑必须重新启用推断工具。

建模策略的有效性取决于交互的具体尺度

回到最初的追问，推断他心到底依靠什么机制。答案并不是某种单一的理论可以垄断的。不同的策略对应着不同的社交距离和任务类型。

当环境规则清晰、目标函数明确时，计算建模最为可靠。自动驾驶系统预测行人的轨迹，不需要知道行人今天心情好不好。算法只需要处理空间位置和时间序列。在这种低情感卷入的场景里，变量拆解的效率最高。

当双方处于高度共情或快速互动的状态时，具身交互占据主导。你不需要模拟对方的神经放电，也不需要列出行为公式。一个眼神的交汇就足以传递意图。身体在场的直接性取代了后台的逻辑演算。

模拟理论则卡在这两者之间。它适用于双方背景相似，但缺乏直接互动条件的情况。你读一本陌生作家的小说，试图揣摩角色的动机。这时候你只能调动自己的经验去填补空白。模拟在这里是必要的妥协。

我个人倾向于认为，这三种方式并不互相排斥。它们更像是一套认知工具箱里的不同器具。认知神经科学中的任务切换范式显示，人在日常对话中频繁切换使用策略，只是自己很少察觉。面对复杂的社交情境，前额叶皮层会自动评估成本与收益。需要精确预测时就调用计算模式，需要快速共鸣时就切换到具身感知。

这套组合策略并非完美无缺。我对这个问题没有定论，但倾向于认为未来的研究需要更多关注策略切换的临界点。当交互情境突然从熟悉转向陌生时，认知系统是如何在毫秒级时间内更换处理工具的。弄清楚这个切换机制，或许能解释为什么我们在某些场合会突然变得迟钝。