符号模型能够提供对认知过程的强大解释，但过去受限于手工构造和计算可行性。我们展示了人工智能的最新进展如何突破这些瓶颈，实现大规模符号建模。本文提出行为条件符号合成（BCSS）方法，它通过自动搜索可解释、确定性的符号程序，确保在验证后能够完整复现给定行为。我们将 BCSS 应用于数百个具有挑战性的推理任务，分别对人类和机器的解题过程进行建模。分析得到的程序表明，人和机器都倾向于过度简化、采用只能部分解释观察的规则，并错误推断特征之间的依赖关系。这些共性特征会受到资源可用性的调节，推理投入越大，机器越倾向于简化并给出解释。整体结果暗示了人机在推理时都可能采用满意化（satisficing）策略，并证明 BCSS 是一种通用框架，可用于解释和比较人类与黑箱 AI 系统的基于规则的推理。
点评