儿童学习能力超越AI——原因仍是谜

儿童学习语言的能力远超当前最先进的人工智能模型，这一现象被称为“数据效率差距”。尽管大语言模型（LLM）如Claude、DeepSeek和GPT系列在流畅度和灵活性上已能模仿人类对话，但它们需要消耗海量数据——一个LLM在预训练中可能处理超过人类一生所接触词汇十万倍的内容。斯坦福大学认知科学家迈克尔·弗兰克指出，AI模型“必须烧毁一片森林，刮取人类全部知识的总和”，才能重现一个孩子在客厅里一年内完成的语言习得里程碑。这种悬殊的规模差异引发了一个关键问题：为什么儿童仍能超越有史以来最复杂的语言机器？ 这一差距对AI研究和认知科学都具有深远影响。过去十年，语言模型主要通过扩大规模来提升性能，例如Meta的Llama 3.1在预训练中消耗了15万亿个token，而前沿模型可能使用十倍于此的数据。然而，互联网上可用的训练数据并非无限，预计到2030年代可能枯竭。儿童则展示了“用更少学更多”的可能性：一个语言环境丰富的孩子到青春期可能听到约1亿个词，到20岁加上阅读也不过3亿词，而现代LLM的训练数据若打印成纸，堆叠高度可超过国际空间站，相比之下，儿童的词汇量堆叠仅20米。乔治城大学认知科学家伊桑·戈特利布·威尔科克斯比喻道：“Claude见过的语言量相当于一个城市一代人的全部对话。” 科学家希望通过逆向工程儿童的学习机制，开发更高效的数据利用模型，这不仅能提升AI在视频训练或少数族裔语言聊天机器人等领域的表现，还能解答关于语言本质的长期争议：人类是否天生具备语言本能，还是纯粹从经验中习得？语言处理方式究竟是生物特性，还是反映了语言使用和学习的普遍约束？这些问题的答案可能重塑AI的未来发展方向。