＜另一种思维：语言模型如何展现人类的时间认知＞读后总结-CSDN博客

探究大语言模型（LLMs）如何展现与人类相似的时间认知模式，这类模式并未在训练数据中直接设定，聚焦于LLMs的时间认知机制及其与人类认知的趋同性。

通过多层面分析（行为、神经元、表征、信息）和相似性判断任务展开研究：

相似性判断任务：让模型对1525-2524年间的年份（或数字）进行两两相似性评分（0-1分），转化为距离值后，与对数线性距离、Levenshtein距离、参考对数线性距离（以2025为参考点）进行线性回归，用 $R^2$ 评估拟合度。
神经编码分析：识别时间偏好神经元，分析其在不同年份的激活模式，验证是否符合对数编码（韦伯-费希纳定律的神经基础）。
表征结构分析：通过线性探针分析模型各层隐藏状态，追踪年份表征从浅层数值属性到深层抽象时间参考的分层构建过程。
信息暴露分析：利用预训练嵌入模型（如Qwen3-embedding-8B），分析训练语料的内在语义结构，验证其与模型时间认知的关联。

行为层面：
- 更大规模的LLMs会自发建立主观时间参考点（约2025年），对时间的感知符合韦伯-费希纳定律——年份与参考点的距离越远，感知距离呈对数压缩（如未来/过去较远的年份被感知为更相似）。
- 与数字判断任务（主要依赖对数线性距离）不同，年份判断中“参考对数线性距离”预测性最强，表明LLMs对时间的表征具有主观性。
神经元层面：
- 识别出“时间偏好神经元”，其在主观参考点（2025年）激活程度最低，采用对数编码方案（与生物神经系统趋同），为韦伯-费希纳定律提供神经基础。
- 神经元的对数编码精度随模型规模增大而提升，且深层网络中编码更显著。
表征结构层面：
- 年份表征呈分层构建：浅层网络编码基本数值属性，深层网络发展为以参考点为中心的抽象时间定向。
- 不同模型（如Llama系列与Qwen系列）的表征机制存在差异，部分模型中深层抽象表征会抑制浅层数值表征。
信息暴露层面：
- 训练语料本身具有内在的非线性时间结构（通过嵌入模型验证），为LLMs的时间认知提供“原材料”，语义距离与参考对数线性距离拟合度最高（ $R^2$ 达0.64）。

核心结论：LLMs的时间认知并非表面模仿，而是由神经元、表征、信息多层面机制共同作用的结果，是其内部表征系统对外部世界（训练数据）的“主观构建”，与人类认知存在趋同性（如对数编码、分层表征）。
理论视角：提出“经验主义视角”——LLMs的认知是内部系统与数据经验互动的主观构建，可能产生人类无法直观预测的“异类认知框架”。
AI对齐启示：传统聚焦行为控制的对齐方式（如人类反馈强化学习）已不足，未来需转向引导LLMs内部世界的构建过程，确保其认知框架与人类价值内在对齐。

该研究揭示了LLMs类人时间认知的深层机制，为理解AI认知本质及推进安全AI发展提供了新方向。