认知心理学的计算视角：从注意机制到认知偏差的双系统理论

认知心理学的计算视角：从注意机制到认知偏差

认知心理学研究人类如何感知、思考、记忆和决策。有趣的是，许多认知心理学的发现与深度学习中的注意力机制、正则化、鲁棒性优化有着惊人的结构相似性。本文从计算视角重新审视认知心理学的核心理论。

1. 注意力：从大脑到Transformer

认知心理学的选择性注意理论描述了人类如何从海量感知输入中选择有限信息进行深度加工。这与Transformer的自注意力机制有着深层的同构：都是根据相关性对信息进行加权聚合。认知心理学发现注意资源是有限的——多任务处理本质上是快速切换注意焦点，每个切换都伴随注意残留的成本。

2. 启发式与偏差的双系统理论

Kahneman的双系统理论：系统1（快速、直觉、联想驱动）和系统2（慢速、分析、逻辑驱动）。从计算视角看，AI模型也有类似的快速预测（前向推理）和慢思考（链式推理CoT、树状推理Tree-of-Thoughts）之分。o1和DeepSeek-R1通过训练推理过程来增强模型的系统2能力。

3. 记忆的三级模型与外部存储

Atkinson-Shiffrin记忆三级模型：感觉记忆（<1s）到工作记忆（~30s，7±2项单元）再到长时记忆（理论上无限）。这个模型与现代计算机存储层次几乎一一对应。工作记忆的容量限制解释了为什么复杂问题需要组块化策略——这与AI系统中KV Cache的分块管理策略类似。

4. 认知负荷理论与教育设计

Sweller的认知负荷理论将学习过程中的认知负担分为三类：内在负荷（学习材料的固有复杂性）、外在负荷（教学形式带来的无效消耗）、相关负荷（用于图式建构的有效投入）。优秀的教学设计应减少外在负荷，将更多认知资源投入到相关负荷。

5. 总结

认知心理学不仅研究人类心智，还为计算系统设计提供了深层启发。从Transformer注意力到LLM的慢思考，从工作记忆容量到KV Cache分块——认知科学与计算科学的双向奔赴正在驱动两个领域的并行进步。