2026年4月，一篇来自arXiv的学术论文引发了扑克圈和人工智能领域的广泛关注。这篇题为《Readable Minds: Emergent Theory-of-Mind-Like Behavior in LLM Poker Agents》的研究，首次证明了大语言模型（LLM）驱动的自主扑克智能体在长时间对局中能够发展出类似人类“心智理论”的推理能力。
心智理论——即建模他人心理状态的能力——是人类社会认知的基础。此前，大语言模型是否能够发展出心智理论，仅通过静态场景进行测试，这留下了动态交互中是否能涌现心智理论推理的开放问题。这项研究通过让LLM智能体进行长时间德州扑克对局，发现当智能体配备持久记忆时，它们会逐步发展出复杂的对手模型。
研究采用了2×2的因子设计，分别设置记忆（存在/缺失）和领域知识（存在/缺失）两个变量，各进行五次重复实验，共计20次实验，约6000次智能体操作观察。结果表明，记忆对于心智理论行为涌现既是必要的也是充分的。配备记忆的智能体达到了心智理论Level 3-5（从预测性到递归建模），而没有记忆的智能体在所有重复实验中始终停留在Level 0。
基于对手模型的战略性欺骗行为仅在配备记忆的条件下出现。领域专业知识并不决定心智理论行为的涌现，但增强了其应用：没有扑克知识的智能体发展出相同水平的心智理论，但欺骗精度较低。具有心智理论的智能体会偏离博弈论最优玩法，转而利用特定对手，这与人类专家玩家的行为模式高度一致。
更令人惊叹的是，所有这些心理模型都以自然语言表达，且直接可读。这为AI社会认知提供了一个透明的窗口。跨模型验证显示，与GPT-4o的一致性达到加权Cohen‘s kappa = 0.81，几乎完全一致。
这项研究的发现具有深远意义：功能性的心智理论行为可以从交互动力学中涌现，无需明确的训练或提示，这不仅对理解人工社会智能有重要启示，也对理解生物社会认知提供了新的视角。
研究团队在论文结尾指出：“这些发现表明，功能性的心智理论行为可以从交互动力学中涌现，无需明确的训练或提示，这对理解人工社会智能和生物社会认知都有重要启示。”当AI学会了扑克桌上的心理博弈，它不仅是在玩一场游戏，更是在向我们展示：智能的社交性可能远比我们想象的更容易涌现。
