人类如何从稀疏、噪声的经验流中构建并维护抽象知识，是认知科学的长期难题。任何计算模型至少需要满足三条要求：① 数据和计算效率高；② 捕捉不确定性的层次，以支持智能探询和信息收集；③ 能灵活表示人类可以学习和思考的无限概念范围。为此我们提出一种模型，将符号知识编码为“心理程序”，即自然语言与源代码的混合体，并使用 LLM 引导的贝叶斯学习算法对这些程序进行顺序推断。该模型在多项行为实验中成功复现了人类归纳学习和主动探询的定量特征，如锚定效应、误导路径等。相比之下，纯 LLM 或传统贝叶斯模型要么在任务上失效，要么无法再现人类行为，要么只能以极高的计算代价实现。结果表明，人类可能通过在语言式和程序式表征之间构建大量假设，并利用自下而上的神经机制（LLM）进行近似贝叶斯更新，从而实现知识的持续增长。
点评