- 发布日期
研究发现婴儿语言学习能力远胜 AI 聊天机器人，学习效率也大幅领先
- 作者
- 姓名
- 荷鲁斯快报
- 社交账号
斯坦福大学认知科学家迈克尔·C·弗兰克近日指出，尽管过去几年人工智能行业取得了显著进展，AI聊天机器人在模拟人类对话方面已相当逼真，但在基础学习能力上仍远逊于人类婴儿。这一结论源于《麻省理工科技评论》于当地时间8月24日发布的一篇深度分析，该报道采访了多位研究大语言模型效率的专家，揭示了AI与人类在语言习得效率上的巨大差距。
该研究分析的核心在于，当前的大语言模型需要消耗海量的数据和计算资源才能达到一定的语言能力水平。例如，GPT-2等模型的训练依赖于规模惊人的文本数据，而人类婴儿在自然成长过程中，仅通过环境接触约1000万至3000万个词汇，就能在一年左右开始输出清晰、连贯的句子。这种效率对比凸显了当前AI技术路线的局限性。
斯坦福大学的弗兰克教授将人类学习语言的能力形容为“简直像奇迹一样”。他强调，科技行业近期的发展虽然惊人，但要复制一个婴儿在普通家庭客厅里一年内自然达成的语言里程碑，AI需要消耗的资源相当于烧掉一片森林并搜刮几乎全部人类知识。这一比喻形象地说明了两者在资源利用效率上的天壤之别。
研究人员目前仍不完全理解婴儿语言学习高效背后的所有机制，但确认婴儿展现出极强的环境适应能力和规则掌握速度。相比之下，AI大语言模型严重依赖数据输入的规模，其所需数据量远超过普通人类一生接触的语言总量，这使得纯靠扩大模型规模来实现通用智能的路径备受质疑。
这种显著的效率差距已成为AI行业必须正视的关键挑战。尤其是在那些寄希望于通过不断增加模型参数和训练数据来最终逼近人类智能的公司面前，专家们普遍认为，这条发展路线本身可能无法达成目标。当前的技术范式可能需要根本性的革新。
展望未来，该发现可能推动AI研究转向更仿生的方向，探索如何提升模型的数据效率和基础推理能力。科学家们或将更深入地研究人类认知的发展过程，以期为下一代AI系统设计提供新的灵感，而非仅仅追求规模的扩大。
