人工智能还没婴儿聪明——至少现在还没有

本文探讨了婴儿学习机制对人工智能发展的启示。与依赖海量数据和巨大能耗的当前AI不同，婴儿仅凭一两次观察、短暂注视和身体互动，就能快速识别新物体、理解世界。为探索这一高效学习原理，Meta、斯坦福大学、东京大学和法国巴黎高师等机构联合推出EgoBabyVLM挑战赛——要求视觉语言模型（VLM）仅通过约1000小时的婴儿头部摄像头拍摄的真实视频（含父母言语、手势、视线指向、过去/未来话题等非结构化场景），像婴儿一样理解周围环境。结果表明，现有前沿AI模型在此任务上表现糟糕，说明婴儿大脑的学习架构（如多模态整合、社会性注意、因果推理）与AI有本质差异。斯坦福认知科学家迈克尔·弗兰克指出，婴儿学习不仅靠语言，更依赖丰富的触觉、动作和社会互动；MIT的乔舒亚·特南鲍姆强调，纯模式识别型AI（如Transformer）无法从婴儿所接收的稀疏、嘈杂数据中习得物理常识、社会规则或心理理论。2023年提出的BabyLM挑战已显示：AI虽能用儿童级语料学会语法，却远不能掌握常识；而物理世界建模更难——因不存在‘人类互动互联网’这样的大规模数据源。普林斯顿大学布伦丹·莱克指出，两岁儿童已具备复杂推理能力，其背后机制仍是未解之谜。研究者认为，融合认知科学与神经科学洞见（如长时程注意力、社会线索解读、因果建模）有望推动AI突破。例如，弗兰克团队已利用同一批婴儿视频，成功训练出能有效学习物体间动态关系与因果规律的新模型，为构建更高效、更类人的AI提供了新路径。