Are Humans Evolved Instruction Followers? An Underlying Inductive Bias Enables Rapid Instructed Task Learning
作者: Anjishnu Kumar
分类: cs.CL
发布日期: 2026-06-29
备注: 4 pages, Position Paper, Published at Neurips 2025 Workshop on Interpreting Cognition in Deep Learning Models - https://neurips.cc/virtual/2025/loc/san-diego/129741
💡 一句话要点
提出人类进化的指令遵循偏差以解决快速任务学习问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 指令遵循 快速任务学习 认知科学 人工智能 跨学科研究
📋 核心要点
- 现有方法在快速任务学习方面缺乏对人类认知灵活性的深入理解，尤其是指令遵循的机制。
- 论文提出人类具备一种进化的指令遵循偏差，能够快速解读和执行语言指令，从而实现快速任务学习。
- 通过综合多学科的研究证据，论文支持了这一假设，并提出了可测试的预测，推动跨学科研究的必要性。
📝 摘要（中文）
人类成年人在仅接受口头或书面指令后，通常能够在第一次尝试中正确执行新任务。这种快速指令任务学习（RITL）是人类认知灵活性的标志，但其机制及在人工系统中的平行性仍未得到充分探索。本文提出人类具备一种进化的指令遵循偏差，这种偏差由进化塑造，使其能够解读和执行语言指令，从而快速泛化行为。我们综合了认知科学、神经科学和机器学习研究的证据来支持这一假设，并呼吁更多跨学科研究，以探讨指令遵循作为自然和人工神经网络中快速任务学习的统一机制。
🔬 方法详解
问题定义：论文要解决的问题是如何解释人类在接受指令后能够迅速学习新任务的机制。现有方法主要依赖于特定的训练协议，缺乏对人类内在认知结构的探讨。
核心思路：论文的核心思路是提出人类具备一种进化的指令遵循偏差，这种偏差使得人类能够快速理解和执行语言指令，类似于大型语言模型的指令调优。
技术框架：整体架构包括对认知科学、神经科学和机器学习的综合分析，强调指令遵循在快速任务学习中的重要性。主要模块包括理论框架、实证研究和跨学科的证据整合。
关键创新：最重要的技术创新点在于将人类的指令遵循能力视为一种进化的认知架构特征，而非仅仅依赖于训练。这一视角与现有方法的本质区别在于强调内在机制而非外部训练。
关键设计：关键设计包括对指令遵循偏差的理论建模，以及如何通过跨学科的证据来验证这一假设，具体的参数设置和损失函数尚未详细说明。
📊 实验亮点
论文通过综合多领域的证据，提出人类的指令遵循偏差能够显著提升快速任务学习的能力。尽管具体的实验数据尚未提供，但理论框架的建立为后续研究提供了重要的方向和基础。
🎯 应用场景
该研究的潜在应用领域包括教育、人工智能助手和人机交互等。通过理解人类的指令遵循机制，可以设计出更高效的学习系统和智能体，提升人机协作的效率和灵活性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Human adults can often perform a novel task correctly on the first attempt after only receiving verbal or written instructions. This rapid instructed task learning (RITL) is a hallmark of human cognitive flexibility, yet its mechanisms and parallels in artificial systems remain under-explored across disciplines. In this position paper, we argue that humans possess an evolved instruction-following bias -- an inductive bias shaped by evolution to interpret and execute linguistic instructions which critically enables fast generalization of behavior from language. This bias functions analogously to the way large language models (LLMs) leverage instruction tuning to achieve zero-shot task performance. We synthesize evidence from cognitive science, neuroscience, and machine learning research to support this hypothesis. While instruction-following in AI is currently achieved via specialized training protocols, we posit that in humans it arises as an innate cognitive architecture feature. We outline testable predictions and call for more interdisciplinary research to investigate Instruction-Following as a unifying mechanism enabling rapid task learning in both natural and artificial neural networks.