科学家发现：即使是婴儿，他们的学习能力也远远胜于AI大模型

在人工智能领域，一个耐人寻味的现象正引发学界持续关注。

尽管大型语言模型在生成流畅语句方面已取得惊人进展，但在学习效率这项最基础的能力上，它们远远落后于人类婴儿。

一岁多的孩子，竟能轻松击败耗费海量算力训练出来的AI系统。

据科技媒体Futurism报道，《麻省理工科技评论》近期采访了多位人工智能与认知科学专家，试图厘清这一反差背后的原因。

而在发展心理学这条道路上，艾莉森·高普尼克或许是最早、也最执着地追问这个问题的人之一。关于婴儿心智的研究，高普尼克有着独特的观察视角，而她对这一领域的兴趣，或许可以追溯到自己最早的童年记忆。

大约两岁时的一个场景，成为她记忆里最鲜明的画面之一。她在费城一个颇具波希米亚色彩的家庭中长大，一家人当时住在公共住房项目里。她的母亲会在桌上做果馅卷饼，而一群孩子光着身子在桌子底下跑来跑去，捡食掉落的酥皮碎屑。

这样的场景，是她成长过程中相当典型的日常画面。

也正是在这种自由散漫、充满好奇的氛围里，她开始意识到孩子的头脑并不是一张等待被填满的白纸，而是一台不停运转、时刻处理信息的精密仪器。

在她看来，长期以来人们之所以对婴儿产生诸多误解，一个重要原因在于研究方法本身。成年人想要了解另一个人在想什么，通常的做法就是直接开口询问，让对方讲出来。但这恰恰是婴儿和幼儿最不擅长的事情。

对于婴儿而言，这意味着观察他们的行为——他们看向哪里、做出什么动作，而不是他们说了什么。即便是她经常研究的三四岁儿童，也需要让他们在两种选项之间做出选择，或者让他们实际去操作某件事情，而不是直接问他们"你在想什么"。

如果那样提问，得到的往往是一段关于生日派对、马以及各种事物的意识流独白，如同布莱克式的诗行，美则美矣，却完全不是研究者想要的答案。因此，研究者真正要依赖的是行动，而不是语言。

让孩子做出行为反应，同时把要研究的问题以真实的、可触摸的物理对象呈现在他们眼前的环境中。她举了一个正在进行的研究作为例子：关于婴儿和幼儿对统计学的理解。

众所周知，即便是成年人，只要上过统计课就会承认，成年人在这方面的表现非常糟糕。

事实上，丹尼尔·卡尼曼正是因为揭示了成年人在显性思考概率问题时的种种缺陷，才获得了诺贝尔奖。人类在面对显性概率推理时的系统性偏差，几乎已经成为行为经济学的地基。而她的团队自然不会做出那种荒唐的事——去询问三岁孩子有关概率的问题。

但如果给孩子一台真正按照概率原理运作的机器，让他们去操作它，人们就会突然意识到，这些孩子在隐性层面上竟然理解诸如条件概率之类的东西。他们并没有学过任何数学公式，却能够在几次尝试之后，凭借极少量的样本推断出机器背后的规则。

这一点恰恰是当下的大语言模型难以企及的：AI需要吞下几乎整个互联网的文本，才能勉强逼近人类儿童在几次互动中就能掌握的因果直觉。

从任何一种基础科学跳到临床案例都是很大的一步，因为临床问题本身极其复杂。

不过她认为，目前确实已经出现了一些证据，暗示精神分裂症和创造力之间存在某种连续谱。比如，精神分裂症似乎是诗人这一职业的高发风险，两者之间似乎存在某种联系，而这些联系又与研究者在极年幼婴儿身上观察到的一些神经现象相关。

其核心特征，是缺乏大量自上而下的控制机制。成年人大脑的运作方式，以及成年人最感兴趣的那一部分，是前额叶区域——可以把它看作大脑的"总部"，是首席执行官们所在的地方。

成年人的许多脑活动，实际上都在关闭大脑的其他大片区域，以便集中处理眼前的目标。例如做梦的时候，那种极其严苛的控制就会被解除。

已有一些初步证据表明，在某些类型的精神障碍中、在成年人的创造力中，以及在婴儿期，正在发生的事情之一，就是这种严苛控制的消退。

对婴儿来说，这是一件好事——他们的注意力像探照灯一样均匀铺洒，几乎对任何角落里的异常线索都保持敏感；但对必须在现实世界中辨明方向、按时通勤、赶完工作的成年人而言，就未必如此了。

某种意义上，这也解释了为什么当今的人工智能架构越是追求高效聚焦，反而越难复制婴儿那种"漫无目的的探索"。

大型语言模型被训练去预测下一个词，它们的目标函数被牢牢锁定在人类给出的方向上；而婴儿并没有被谁设定KPI，他们的每一次凝视、每一次伸手，都是在对世界做一次小小的假设检验。

这种自发的、广谱的、看似浪费的学习方式，或许正是人类智能的真正秘密。

在访谈的最后，她提到了二十世纪最伟大的发展心理学家之一约翰·弗拉维尔。弗拉维尔曾经说过，他愿意用自己所拥有的一切，去换取仅仅三分钟进入一个婴儿头脑内部的机会。

她表示自己也有同样的感受，只是麻烦在于，即便婴儿真的能说话，她大概也无法理解他们所说的大部分内容。

如果真的能问，她会想知道：这是什么样的感觉？此刻你看到了什么？你究竟知道多少事情？你如何看待周围的成年人？

但她的猜测是，即便婴儿能够开口说话，他们之所以还不说话，或许有一部分原因正在于——他们要表达的内容所使用的语言，是成年人无法完全听懂的。

婴儿并非知识匮乏的成年人，而是采用了完全不同的学习策略：他们主动出击，用行动而不是被动接收信息，用少量样本推断因果，用未被限制的注意力捕捉世界的统计结构。相比之下，大型语言模型的"学习"更像是海量文本的压缩与重排。

真正的差距不在于算力和参数规模，而在于学习方式本身。人类婴儿在生命最初的几年里，完成的是一场关于因果、概率和心智的完整探险，那是任何现有AI架构都尚未真正踏足的领域。