人类问题解决是指个体或群体识别当前状态与期望目标之间的差异，然后设计并执行一系列操作以减少或消除该差异的认知过程。它是智能的基本方面，涵盖从规划路线等日常任务到复杂科学发现的一切。对人类问题解决的研究历来是心理学和认知科学的核心主题，同时也为人工智能领域提供了基础性启发，研究人员曾尝试在机器中建模和复制这些过程。
早期的心理学研究，特别是在20世纪中叶，将问题解决视为在问题空间中进行搜索的一种形式。这一观点由艾伦·纽厄尔和赫伯特·西蒙等人倡导，认为一个问题由初始状态、目标状态以及一组将一种状态转换为另一种状态的算子组成。解决者的任务是在该空间中找到一条路径，通常使用启发式方法（即心理捷径或经验法则）来剪枝搜索并使其可行。这种信息处理方法促成了早期AI程序的发展，例如通用问题解决器，它明确尝试模仿人类的启发式搜索。
启发式与偏差
由心理学家丹尼尔·卡尼曼和阿莫斯·特沃斯基在20世纪70年代开创的一个重要研究分支，聚焦于人类实际使用的启发式方法，这些方法往往偏离规范性逻辑。他们识别出常见的捷径，如代表性（根据相似性判断概率）、可得性（根据回忆难易程度判断频率）和锚定（过度依赖初始信息）。这些启发式通常高效，但可能导致系统性错误或认知偏差。这项工作挑战了人类作为纯粹理性行动者的观念，并强调了人类理性的有限性，，这一概念影响了机器学习模型的评估方式，特别是在理解其失败模式和局限性方面。
顿悟与重构
并非所有问题解决都涉及渐进式搜索。格式塔心理学家在20世纪早期强调了顿悟的作用，，即对问题的突然、通常非意识的重构，导致立即解决。经典例子包括九点谜题，解决者必须打破关于边界的隐含假设。对顿悟的研究表明，它通常涉及一段僵局期，随后是突然的理解闪现。这与算法性的逐步方法形成对比。在现代AI中，顿悟的概念与大型语言模型对未见问题产生新颖解决方案的能力有相似之处，尽管这些系统是否真正重构问题或依赖于模式完成，仍是研究人员（如梅兰妮·米切尔）之间争论的主题。
人工智能中的问题解决
对人类问题解决的正式研究直接塑造了早期AI。国际象棋计算机深蓝在1997年击败世界冠军加里·卡斯帕罗夫，使用了暴力搜索算法，但其评估函数是用人类棋类知识调优的。最近，从符号AI向深度学习的转变将焦点从显式搜索转向从数据中学习表示。神经网络，特别是变换器，被训练来预测下一个标记或动作，其问题解决能力从这些统计模式中涌现。例如，OpenAI的GPT系列和Anthropic的Claude模型可以解决复杂的推理任务，但其方法是不透明的，且往往不同于人类认知过程。研究人员如约书亚·特南鲍姆在MIT CSAIL认为，当前AI缺乏支撑人类问题解决的因果理解和直观物理，主张将深度学习与符号推理相结合。
计算模型与认知架构
为了弥合人类与机器问题解决之间的差距，认知科学家构建了模拟人类表现的计算模型。由约翰·安德森在卡内基梅隆大学开发的ACT-R架构，试图建模底层认知过程，包括记忆检索和程序性技能获取。同样，由纽厄尔及其学生创建的SOAR架构，旨在使用产生式系统处理广泛的问题解决任务。这些模型已被用于预测人类在受控实验中的反应时间和错误率，为心理学理论与计算实现之间提供了可测试的联系。它们也为更类人AI的设计提供信息，例如Sanctuary AI构建能推理环境的通用机器人的努力。
现代挑战与未来方向
当代对人类问题解决的研究日益跨学科，结合了心理学、神经科学和AI。一个关键挑战是理解人类如何解决结构不良的问题，其中目标或算子未明确定义。另一个是创造力和类比推理的作用，即解决方案从一个领域转移到另一个领域。在AI中，追求能解决新颖问题的生成式AI已导致诸如RLHF（基于人类反馈的强化学习）等技术，以对齐模型行为与人类偏好。然而，截至21世纪20年代初，AI系统在需要常识、长期规划和稳健适应变化情况的任务上仍面临困难，，这些正是人类问题解决擅长的领域。在斯坦福AI实验室和伯克利AI研究等机构的持续工作继续探索这些前沿，通常直接从认知科学中汲取灵感，以构建更强大且可解释的系统。