本文探讨人工智能与人类之间的相互交流，并提出了 Mutual Theory of Mind (MToM) 框架，旨在提高双方互相理解的能力和效率，介绍了框架的三个主要组成部分，以及通过案例研究展示了 MToM 框架在引导人工智能设计和人 - AI 交流理解方面的重要性。

Oct, 2022

本文综述了近年来关于机器 Theory of Mind（ToM）在信仰、欲望和意图方面的进展，概括了不同任务和数据集的发展，并比较了具有优势、局限性和适用条件的模型。我们认为，提出标准的评估标准和数据集，特别是覆盖了 ToM 多个方面的大规模数据集，是解决这种困难的方法之一。

Mar, 2023

通过设计 Theory of Mind （ToM）神经网络，该网络利用元学习从行为观察中建模遇到的智能体，从而学习模拟其他智能体在其世界中的行为，它是发展多智能体 AI 系统、构建机器人与人类交互技术和推进可解释 AI 进步的一个重要步骤。

Feb, 2018

采用心灵理论将人的意图、机器理解和人对机器的理解显式建模，生成更优质的 AI 解释框架以提高人们对复杂机器学习模型的信任。在 3 个视觉识别任务中展示了该框架的实际应用性，而且经过大量的人类实验证明该框架的效果比现有的同类算法要更好。

Sep, 2019

本文介绍了深度学习方法在推理他人心理状态方面的潜力、现有进展和问题，并强调当前研究的局限性和提出的解决方案。研究者应探索理论思维在复杂开放式环境中的研究，并使用人类的先前工作对深度学习系统进行成功的激励。在进行深度学习的理论思维方面的研究时，研究的重点和贡献应该是打开网络的表示。因此，我们建议研究者使用 AI 可解释性领域的工具，以研究不同网络组件和理论思维的方面之间的关系。

Mar, 2022

研究了人工智能在多个环境中具备与人类相似的心智推理能力，包括判断他人的意图、偏好等，并揭示了当其与克隆体进行互动时的现象和差异。

Mar, 2024

研究使用贝叶斯心理理论，通过比较具有 ToM 代理和非 ToM 代理的合作玩家的表现，证明 ToM 代理的存在可以显著提高所有类型合作伙伴（包括人类玩家）的合作效率，对于设计更好的合作代理有重要的意义。

Jul, 2020

为了发展具有人类级社交智能的机器，我们引入了一种多模式心智问答（MMToM-QA）基准，它综合评估机器的心智理解能力，并基于多模式数据和关于家庭环境中人物活动的不同类别的单模式数据。为了实现多模式心智能力，提出了一种新方法 BIP-ALM（基于语言模型的贝叶斯逆规划加速），它从多模式数据中提取统一的表示，并利用语言模型进行可扩展的贝叶斯逆规划。与人类表现、BIP-ALM 和包括 GPT-4 在内的先进模型进行了系统比较，实验表明大型语言模型和大型多模式模型仍然缺乏强大的心智理解能力，而 BIP-ALM 则通过利用基于模型的心智推理和语言模型的能力展现了有希望的结果。

Jan, 2024

本文介绍了一种学习他人低层次和高层次心智状态的神经网络模型，并表明把高层次认知附加到低层次状态模型中可以使模型更快、更准确地进行意图预测，并提高学习表现。

Oct, 2022

现有的人工智能（AI）的心灵理论（ToM）方法过多地强调受到提示或刺激的 ToM，这可能限制我们共同发展人工社会智能（ASI）。通过对计算机科学、认知科学及相关学科的研究，我们将受到提示的 ToM 与我们所称的自发的 ToM 进行对比，即在无意识、可能无法控制的认知功能基础上进行他人心灵状态的推理。我们主张在研究和发展 AI ToM 时采用有原则的方法，并建议在应对提示的同时，积极进行社会推理的强大，或通用的 ASI。

Feb, 2024