必要之偏：收敛式AI与人类验证下序贯处理的不可能性定理

某些认知偏差在数学上是顺序信息处理不可避免的结果吗？我们证明，由于因果屏蔽约束，首因效应、锚定和顺序依赖性在自回归语言模型中在架构上是必要的。我们的三个不可能定理成立：（1）首要偏见源于不对称的注意力积累； (2) 锚定产生于具有可证明信息界限的序列调节； (3) 通过排列边缘化进行精确去偏需要阶乘时间计算，蒙特卡洛近似在恒定的每容差开销下是可行的。我们在 12 个前沿 LLM 中验证了这些界限（$R^2 = 0.89$；$Δ$BIC $= 16.6$ 与次佳替代方案）。然后，我们从框架中得出定量预测，并在两个预先注册的人体实验中对其进行测试（分析 $N = 464$）。研究 1 证实锚点位置调节锚定幅度（$d = 0.52$，BF$_{10} = 847$）。研究 2 显示工作记忆负载放大了首要偏差 ($d = 0.41$, BF$_{10} = 156$)，而 WM 容量则预测偏差减少 ($r = -.38$)。这些趋同的发现将认知偏差重新定义为对顺序处理的资源理性反应。