本研究探讨生成性人工智能（尤其是大型语言模型）对人类推理和问题解决能力的影响。作者提出了一种分析人类与AI互动模式的框架，以识别AI作为思维工具的时机，从而指导增强人类认知能力的AI系统开发。

该研究分析了大型语言模型与海德格尔概念的相似之处，探讨了LLMs在人类推理中的位置和局限性。尽管LLMs在某些推理能力上表现出色，但与人类智力能力的匹敌还未实现。此研究丰富了我们对LLMs的理解，并推动了人工智能潜力与限制的讨论。

通过比较大型语言模型和人类推理，研究发现模型存在推理错误，但最新版本的模型与人类推理的差异几乎消失。人类和机器对相同提示的响应不同。这对人工智能和认知心理学有重要意义和挑战。

最近的研究发现，神经网络在几何领域中缺乏人类的识别和操作能力，但通过扩展模型规模和训练数据量，神经网络开始展现出更类似人类推理的能力。研究还发现，神经网络在抽象几何处理方面表现出与人类相似的能力。

本文研究了人类推理中的四种不同类型的推断，包括肯定前提、肯定结论、否定前提和否定结论。人类在日常生活中通常会进行肯定结论和否定前提作为实用推理。本文在答案集编程中实现了这些推理，并引入了八种不同类型的完整性。

研究比较了大型语言模型和人类推理的表现，发现大部分模型存在推理错误，但最近的LLM版本在与人类推理的区别方面存在重要差异且模型的局限性在新版LLM中几乎完全消失。人类和机器对相同提示方案的响应不同，讨论了比较人类和机器行为在人工智能和认知心理学领域中的意义和挑战。