可读的心智：LLM扑克智能体中涌现的类心智理论行为

心智理论（ToM）——建模他人心理状态的能力——是人类社会认知的基础。大型语言模型（LLM）能否发展出ToM，此前仅通过静态情景故事进行过测试，类ToM推理能否通过动态交互涌现仍是开放问题。我们在此报告，自主LLM智能体在长时间德州扑克对局中逐步发展出精细的对手模型，但前提是配备持久记忆。在将记忆（有/无）与领域知识（有/无）交叉的2×2因子设计中，每组五次重复（N = 20次实验，约6000个智能体手牌观测），我们发现记忆对于类ToM行为的涌现既必要又充分（Cliff's delta = 1.0，p = 0.008）。有记忆的智能体达到ToM 3–5级（从预测性到递归建模），而无记忆的智能体在所有重复中始终停留在0级。基于对手模型的策略性欺骗仅出现在有记忆的条件下（Fisher精确检验p < 0.001）。领域专长并不决定类ToM行为能否涌现，但会增强其应用：不具备扑克知识的智能体发展出同等的ToM水平，但欺骗精度较低（p = 0.004）。具备ToM的智能体会偏离博弈论最优打法（67%对79%的TAG依从度，delta = -1.0，p = 0.008），以利用特定对手，这与人类专家的打法一致。所有心智模型都以自然语言表达且可直接阅读，为观察AI社会认知提供了透明窗口。使用GPT-4o的跨模型验证得到加权Cohen's kappa = 0.81（几乎完全一致）。这些发现表明，功能性的类ToM行为可以仅从交互动态中涌现，无需显式训练或提示，这对理解人工智能社会智能和生物社会认知都有意义。