当AI被要求"假装是个孩子"时，它究竟能骗过谁？——来自伊利诺伊大学厄巴纳-香槟分校的测试答案

这项由伊利诺伊大学厄巴纳-香槟分校、北京大学、深圳儿童医院及香港理工大学联合开展的研究，以预印本形式发表于2026年5月18日，论文编号为arXiv:2605.17894。

有没有想过，当你把一个聊天机器人摆在一个七岁孩子面前时，会发生什么？理想的状态是：AI能像一个同龄伙伴那样交流——说话简单直白，偶尔犯点可爱的小错误，不会突然扔出一堆大人才听得懂的词汇。但现实呢？研究团队发现，哪怕你明确告诉最先进的AI"请你现在是一个七岁的孩子"，它依然会用成年人的逻辑和词汇滔滔不绝地回答问题，仿佛根本没有听进去这句指令。

这背后藏着一个既有趣又重要的问题：AI真的能"假装"自己处于某个特定的认知发育阶段吗？还是说，它只是在换一套措辞，而内在的思维方式压根没有改变？

为了系统地回答这个问题，研究团队开发了一套名为ChildAgentEval的测评框架。这是全球第一个专门用来衡量AI是否能够"按年龄思考"的互动式基准测试。它的灵感来自儿童心理学领域的经典工具——韦克斯勒儿童智力量表（WISC-IV），那套被全球儿科医生用来评估儿童认知发展的专业测试体系。研究团队没有简单地问AI几道题然后打分，而是搭建了一套完整的网页互动环境，让AI像真实的孩子一样点击、输入、操作，并全程记录它的每一个行为细节。

这项研究的意义远不止学术层面。随着越来越多的AI教育助手、儿童陪伴机器人和在线辅导系统被部署到孩子身边，一个根本性的问题摆在我们面前：这些系统是否真的适合和不同年龄的孩子打交道？一个面对六岁孩子却用大学生的逻辑解释问题的AI，不是在帮助孩子，而是在制造困惑。

一、为什么"对孩子说话"比想象中难得多

每个当过父母或老师的人都知道，和不同年龄的孩子沟通需要完全不同的策略。对一个六岁的孩子解释"为什么天是蓝的"，和对一个十五岁的青少年解释同样的问题，用的是两套截然不同的语言体系。六岁的孩子需要你说"因为光被空气散开了，就像彩虹一样"，而不是一上来就讲瑞利散射和光的波长。

这种差异在心理学上有个专门的名字，叫做"认知发展对齐"——也就是你的表达方式、推理深度、记忆要求，要和你面对的那个人的认知发展阶段相匹配。对于儿童教育来说，苏联心理学家维果茨基提出的"最近发展区"概念非常关键：最好的学习发生在刚好超出孩子当前能力、但又不会太难的那个区间。如果AI助手总是以成年人的认知水平运作，它就永远找不到这个区间，而是直接越过了孩子能够理解的边界。

现有的AI评测体系几乎完全忽视了这个维度。大多数测试只关心AI有没有答对题目，正确率越高越好。但从来没有人认真问过：AI的答题方式是否符合特定年龄段孩子的认知特点？一个AI在面对七岁孩子时答对了所有题，但用的是十七岁青少年才具备的推理链条，这算成功吗？

研究团队给这种能力起了个名字——"认知年龄对齐"。它的含义不是让AI变笨，而是让AI能够有意识地将自己的推理复杂度、记忆调用方式、词汇选择和表达结构，调整到与目标年龄段儿童相符的模式。这就像一位优秀的教师，不是不会讲深奥的内容，而是能够根据学生的年龄精准地调整自己的讲解方式。

现有研究已经有人尝试用智商测试或心理学量表来评估AI的"聪明程度"，但那些测试针对的都是成年人的认知标准，从来没有人系统地研究过AI能否模拟特定年龄段儿童的认知行为。这正是ChildAgentEval填补的空白。

二、一套让AI"坐进儿童考场"的测试系统

要测量AI是否能像不同年龄的孩子一样思考，首先需要一套科学的测评工具。研究团队以韦克斯勒儿童智力量表（WISC-IV）为蓝本，设计了十项互动式网页测试。

韦克斯勒量表在儿科心理学领域是黄金标准——全球临床医生用它来评估6到16岁儿童在不同认知维度上的发展水平。但这套量表是为人类设计的，有版权保护，也不适合直接用于AI测试。研究团队的做法是提取它背后的认知构建框架，在一个完全重新设计的网页环境中实现类似的测评功能。

这十项测试覆盖了四个主要认知维度。第一个维度叫做"晶体智力"，也就是积累的知识和语言能力，对应的是相似性判断、词汇定义和常识理解三项测试。打个比方，就像问孩子"苹果和香蕉有什么共同点"（答案是它们都是水果），或者"请解释一下'公平'是什么意思"。这类问题考验的是孩子已经学到的概念和语言能力。

第二个维度是"流体推理与空间推理"，考察的是解决新问题和理解图形模式的能力，对应积木设计、图片概念和矩阵推理三项测试。这就像拼图游戏——给孩子一个未完成的图案，让他判断缺少的部分是哪一块。

第三个维度是"工作记忆"，衡量短期记忆和信息操作能力，通过数字广度和数字-字母排序两项测试来评估。简单来说，就像让孩子听一串数字然后倒背出来，或者把"3-B-1-A"重新排列成"1-3-A-B"。年龄越小的孩子，能记住并操作的信息量越少。

第四个维度是"加工速度"，测量快速处理视觉信息的能力，包括符号编码和符号搜索两项测试。这类任务要求在有限时间内快速完成大量简单的视觉匹配，考验的是注意力和反应速度。

整个测试环境由一套状态机架构驱动，严格按照临床测试的标准流程运行。系统内置了两条重要规则：一条叫"回退规则"，如果AI在较高难度起始点连续答错前两题，系统会自动退回到更基础的题目；另一条叫"中止规则"，当AI连续答错达到一定数量时，这项子测试自动结束。这两条规则和真实的儿童测试完全一致，确保测试结果符合发展心理学的评估标准。

测试平台使用了Playwright工具驱动模拟浏览器，要求AI通过点击、输入文字、选择选项等真实的网页操作来完成任务，就像一个真实的孩子坐在电脑前完成测试一样。整个过程中，系统会自动记录所有互动细节：点击了哪里、等待了多久、翻了几次页、总共走了多少步。这些行为日志不只是辅助信息，它们本身就是研究的重要数据，能够揭示AI在解题过程中的思维方式。

评分系统根据不同题型采用不同标准。客观题按对错打0或1分，加工速度题按限时内完成的正确数量计分，而开放式语言题则按照0到2分的评分标准打分——完整且抽象程度合适的答案得2分，部分正确或过于具体的答案得1分，错误或无关的答案得0分。由于语言题需要主观判断，研究团队使用GPT-5.4作为初步评分助手，但所有开放式题目的最终分数都经过独立人工审核，确保评分的客观性和准确性。

三、把真实孩子的思维"蒸馏"进AI里

光有测试工具还不够。研究团队面临的另一个核心挑战是：怎样才能让AI真正表现出特定年龄段儿童的认知特点，而不只是在表面上换换措辞？

他们的解决方案是一套叫做"年龄特异性认知技能蒸馏"的方法。这个听起来颇为复杂的名称，背后的思路其实可以用一个比喻来理解：假设你想让一个成年厨师做出奶奶家那道记忆中的红烧肉。最笨的办法是叫他"做出奶奶风格的菜"，但这样他只会凭自己的想象模仿，结果可能差之千里。更好的办法是去分析奶奶实际做菜的视频和菜谱——她用了哪些香料，火候开了多久，什么时候放酱油——把这些具体的操作规律提炼出来，再告诉厨师照着做。

研究团队做的就是后者。他们收集了大量真实儿童和青少年的语言数据，覆盖6到17岁的年龄段。对于6到11岁的低龄组，他们主要依赖口语和多模态互动数据，包括国际著名的儿童语言数据库CHILDES、俄亥俄儿童语音语料库（OCSC）以及蛙故事叙事数据集（Frog Story）。这些数据能够真实反映低龄儿童日常词汇的边界、注意力持续的时长以及说话时的自我纠正模式——比如一个七岁的孩子说话时经常会说到一半突然停下来改口，这本身就是认知发展的重要特征。

对于12到17岁的高龄组，研究团队转向了课堂讨论记录、心理访谈文本和叙事写作数据，包括LCCPW儿童书写语料库和ClassBank课堂话语数据库。这些数据能够捕捉到青少年使用抽象词汇的方式、长程逻辑推理的组织结构，以及青春期特有的自我中心偏见——比如青少年在解释社会现象时更倾向于从个人视角出发，而不是从制度或集体角度思考。

数据收集完成后，研究团队设计了一条两阶段的蒸馏流程。第一阶段专注于统计特征提取，使用专业的语言分析工具包从原始数据中计算出一系列量化指标。这些指标包括：词汇多样性（衡量一个人说话时词汇丰富程度的指标）、语义具体性（衡量词汇偏向具体事物还是抽象概念的程度）、句子长度和语法深度、表达流畅度，以及心理状态动词的使用频率（比如"我以为"、"他觉得"这类词），还有因果连接词和条件句的使用比例（比如"因为"、"如果"、"所以"这类词语出现的频繁程度）。

第二阶段则将这些统计特征输入一个"教师语言模型"，通过严格的指令约束，让它生成结构化的"认知技能卡片"。每张技能卡片明确规定了目标年龄组的高频词汇边界、多步推理的最大深度、偏好的解题策略，以及预期会出现的典型错误模式。

有了这些技能卡片，研究团队进一步设计了五个认知过滤模块，并将它们注入AI代理的提示层、记忆层和推理规划层。词汇抽象度过滤器控制语言的语法复杂度，阻止低龄代理使用学术概念；工作记忆掩码通过限制跨页面保留的信息量或注入记忆噪声，模拟较短的记忆广度；推理预算控制器干预推理链条，让低龄代理只能做直接的观察匹配，而高龄代理则可以执行假设验证；视觉依赖模块重现认知偏差，让低龄代理容易被高度和面积等物理排列的视觉错觉误导；社会视角过滤器限制代理在解释社会规范时的立场，比如要求幼儿代理只能给出第一人称解释，而允许青少年代理使用制度化视角。

这五个模块协同工作，不是简单地让AI"说话幼稚一点"，而是系统性地约束它的认知行为，使其在推理方式、记忆使用和视觉处理上都符合目标年龄段儿童的真实特征。

四、实验结果：AI在"装小孩"这件事上表现几何

研究团队选取了四个锚定年龄点——7岁、10岁、13岁和16岁——来评估AI代理的认知年龄对齐程度。参与测试的模型包括四款商业闭源模型（GPT-5.4、Gemini-3.1-Pro、Gemini-3.1-Flash-Lite、Qwen3.6-Plus）和两款开源模型（Qwen3.5-27B和Gemma-4-31B）。每个模型在两种条件下接受测试：一种是"基线条件"，也就是仅在提示词中告知目标年龄；另一种是"技能引导条件"，也就是应用完整的认知蒸馏约束。

基线条件下的结果令人印象深刻地"乏味"。以GPT-5.4为例，在被告知"你是一个七岁的孩子"时，它的总分是0.53；被告知"你是十三岁"时，分数反而下降到0.46；然后在"你是十六岁"时回弹到0.52。这条轨迹根本不像一个随年龄成长的孩子——它更像是一个在原地踏步的成年人在不同时刻的随机波动。其他商业模型也呈现出类似的平坦或不规则轨迹，说明仅仅修改提示词中的年龄标签，根本无法有效约束模型的推理能力。

换句话说，当你对AI说"请装成七岁的孩子"，它听进去的可能只有"七岁"这两个字，然后继续用自己全部的认知能力去解题，只是偶尔在措辞上做点表面文章。

技能引导条件下的结果则截然不同。对GPT-5.4来说，应用认知蒸馏约束后，总分从6-8岁年龄段的0.41稳步上升到15-17岁年龄段的0.50，呈现出完美的单调递增趋势。研究团队用斯皮尔曼等级相关系数来衡量这种单调性——基线GPT-5.4的相关系数是-0.40（负相关，意味着越"年长"的设定反而分数越低），而技能引导条件下这个数字跳升到了1.00（完美正相关）。Gemini-3.1-Pro的基线相关系数是0.20，技能引导后达到0.95；Gemini-3.1-Flash-Lite从-0.63升至1.00；Qwen3.6-Plus从-0.26升至0.95。

这个结果的直观含义是：应用了认知蒸馏约束的AI，终于开始表现得像一个真实成长中的孩子——越大的"年龄"对应越高的认知表现，而越小的"年龄"则对应更受限制的表现。重要的是，这里的"低分"并不意味着失败，而恰恰是成功的标志——因为它准确地模拟了年幼孩子认知能力有限的真实状态。

不过，这个方法并非对所有模型都有效。开源模型Qwen3.5-27B和Gemma-4-31B在技能引导条件下的表现几乎没有改善，分数在各年龄段之间的变化幅度依然很小，显示出有限的校准而非稳定的发展对齐。研究团队认为，这暴露了一个能力门槛：只有当基础模型本身具备足够强的可控性和指令遵循能力时，认知约束才能有效发挥作用。对能力较弱的模型，这些约束不会产生年龄校准效果，而是直接导致任务失败。

五、哪些能力容易校准，哪些根本管不住

深入分析各认知维度的数据后，研究团队发现了一个重要的不均衡现象：不同认知领域对校准的响应程度差异极大。

语言和晶体智力（Gc）维度是最容易被校准的。对GPT-5.4来说，技能引导条件下的Gc分数从7岁设定时的0.64稳步爬升到16岁设定时的0.84，曲线清晰且单调。这意味着词汇边界过滤器和抽象度限制器运作良好——AI确实在使用更简单的词汇和更具体的表达来模拟年幼孩子的语言风格。语言复杂度分析也印证了这一点：在模拟7岁状态时，GPT-5.4的语言复合分数仅为0.09，而模拟16岁时则上升到0.38。这种语言行为的系统性变化与认知能力的变化同步发生，说明被约束为年幼状态的AI不是在随机犯错，而是在用更简单、更具体的方式思考问题，并自然地产生更简单的语言输出。

然而，工作记忆（WM）和加工速度（PSI）两个维度几乎对任何校准手段都无动于衷。工作记忆分数在所有模拟年龄下都保持在性能天花板附近——不管AI被要求模拟7岁还是16岁，它的短期记忆表现都一样"完美"，根本没有表现出年幼孩子记忆容量有限的特征。加工速度分数则在较低水平上随机波动，没有呈现出任何清晰的发展趋势。

研究团队对此给出了一个深刻的解释：这两种能力的难以校准，根本上来自大型语言模型的架构特性。人类的工作记忆受制于大脑的生物学限制，容量随年龄增长，并且会随时间衰退；但AI的"记忆"是一个固定大小的上下文窗口，不会衰退，也不因为你说它是七岁就变小。同样，人类的加工速度受神经传导速度、注意力和认知负荷的影响；但AI的"处理速度"由硬件算力和网络延迟决定，与认知年龄毫无关系。通过提示词或外部约束来模拟这两种人类认知限制，就像试图通过贴标签让一台超级计算机"跑慢一点"——你可以让它输出慢一点，但改变不了它内部的计算逻辑。

流体推理与视觉空间推理（Gf/Gv）的情况介于两者之间。这个维度的校准效果比工作记忆和加工速度稍好，但依然没有呈现出和晶体智力一样清晰的发展轨迹，在大多数模型上基本保持平坦或仅有轻微改善。这与近年来研究者发现的"多模态大语言模型视觉认知缺口"问题相吻合——AI在视觉和空间推理上的弱点，不是简单地调整提示词就能解决的。

另一个值得关注的发现来自年龄规范化z分数分析（这个概念可以理解为：将AI的表现与同龄真实儿童的平均水平相比，偏差多少）。结果显示，各款AI模型在偏离儿童规范的方式上并不一致。以Gemini-3.1-Pro为例，它的晶体智力和工作记忆指数都明显高于同龄儿童的规范水平，说明它的语言和短期记忆能力远超真实孩子；但它的视觉空间推理和加工速度却持续低于规范，说明在需要快速处理视觉符号的任务上，它反而不如真实孩子。这揭示了一个有趣的现象：AI不是在各方面都"太聪明"，而是有些地方超出儿童规范，有些地方却落后于儿童规范，呈现出一种独特的、非人类的认知轮廓。

六、这一切对现实世界意味着什么

归根结底，这项研究讲的是一个比较简单但被长期忽视的道理：对于面向儿童的AI系统来说，"答对了"并不等于"适合孩子"。

一个面向小学生的AI辅导助手，如果每次回答都动用了它全部的成年人级别推理能力，它会给出技术上正确但孩子根本听不懂的解释。这不是在帮助孩子学习，而是在制造挫折感。更糟糕的是，如果孩子把AI的解释原封不动地背下来，表面上学会了，实际上却缺乏真正的理解——因为那套解释从一开始就不是为他们的认知阶段设计的。

ChildAgentEval的出现，将AI评测的目标从"答得多准"转向了"行为是否匹配"。这是一个评估范式的真正转变。在传统AI评测中，分数越高越好；但在ChildAgentEval中，一个被校准为7岁状态的AI如果分数显著低于16岁状态的同一AI，这恰恰是成功——前提是这种分数差异呈现出合理的年龄递进规律。

研究团队在讨论部分也坦承了这项工作的局限性。当前的技术路径仍然是通过外部约束来"模拟"儿童认知，本质上是在成年人级别的AI外面套一层过滤网。这种方式对语言风格的调整效果明显，但对工作记忆和加工速度这类与底层架构高度绑定的能力，效果非常有限。要真正实现认知年龄对齐，未来可能需要在模型训练阶段就直接嵌入发展性约束，而不是在推理阶段通过提示词来临时调整。换句话说，要做出一道真正符合孩子口味的菜，你需要从选材和烹饪方式上下功夫，而不只是在端上桌之前撒一把调料。

这项研究还开放了一个有意思的思考方向：如果AI无法真正拥有人类式的记忆衰退和注意力瓶颈，那它和真实儿童之间的认知差异究竟意味着什么？AI可以模仿儿童语言的表面特征，但它底层的"思维方式"与人类儿童的发展性认知结构之间，存在着一道目前还无法跨越的鸿沟。这不只是技术问题，也是一个关于"什么是真正的理解"的深层问题。

对于关心教育技术、儿童AI安全以及人机交互的研究者和实践者来说，ChildAgentEval提供了一把新的尺子。用这把尺子量量你身边的那些"儿童AI助手"，也许会得到一些出乎意料的答案。有兴趣深入了解这项工作全部细节的读者，可以通过arXiv编号2605.17894查阅完整论文。

---

Q&A

Q1：ChildAgentEval是什么，和普通AI测试有什么区别？

A：ChildAgentEval是全球第一个专门评估AI能否按特定年龄段儿童方式思考的互动测评框架，灵感来自儿科心理学的韦克斯勒儿童智力量表。普通AI测试只关心答对率，越高越好；ChildAgentEval关注的是AI的行为是否符合目标年龄段儿童的认知特征，比如一个被设定为7岁的AI，分数应该明显低于被设定为16岁的同一AI，这才算"校准成功"。

Q2：只在提示词里告诉AI"你现在是七岁"有没有用？

A：基本没用。研究发现，仅通过提示词告知年龄，主流AI模型的表现几乎不会发生有意义的变化，总分在各年龄设定下基本持平甚至出现反常波动。真正有效的方式是应用"认知技能蒸馏"方法，从真实儿童语言数据中提取年龄特征，再通过多个认知过滤模块约束AI的词汇选择、推理深度和记忆使用方式。

Q3：AI哪些认知能力容易调整，哪些调整不了？

A：语言风格和词汇复杂度最容易被校准，AI可以被有效约束为使用更简单的词汇和更具体的表达。但工作记忆和加工速度几乎无法通过外部约束调整，因为这两种能力与AI的底层架构高度绑定——AI的上下文窗口大小固定，处理速度由硬件决定，不会像真实儿童那样随年龄变化。