Automatic Minds: Cognitive Parallels Between Hypnotic States and Large Language Model Processing

文章总结与翻译一、主要内容本文核心探讨了催眠状态下人类认知与大型语言模型（LLMs）计算过程的深度功能相似性，围绕三大核心原则展开分析：自动性主导：两者均通过联想式模式补全机制生成复杂行为，而非深思熟虑的推理——催眠状态下大脑前额叶功能受抑，LLMs则依赖注意力加权的令牌预测，均缺乏元认知评估能力。执行监控受抑：催眠时背侧前扣带回等监控脑区激活减弱，导致虚构记忆等错误；LLMs缺乏可靠的自我评估机制，表现为幻觉和自我矛盾，且所谓“元认知能力”多为模式匹配的伪监控。高度语境依赖：催眠状态下个体注意力聚焦于暗示，忽略全局知识；LLMs的输出完全依赖上下文窗口，对提示高度敏感，易受prompt注入等操纵。文章还延伸讨论了“谋划”现象（无反思意识的目标导向行为）、意义的观察者相对性（输出需外部解读赋予意义），并指出两者虽底物不同（生物大脑vs硅基模型），但共享关键认知架构特征。最后提出，可靠AI的未来在于融合生成流畅性与执行监控机制的混合架构，而催眠研究为AI安全和可解释性提供了生物参照。二、创新点跨领域理论融合：首次系统建立催眠研究与LLM研究的关联框架，将临床催眠的认知机制（如冷控制理论、隐藏观察者现象）用于解释AI的核心缺陷（幻觉、提示敏感性）。双向启发视角：既用LLM的计算逻辑阐明催眠状态