導(dǎo)讀：當(dāng)前AI系統(tǒng)依賴海量人工標(biāo)注數(shù)據(jù)，而人類嬰兒僅憑極少輸入便能自主習(xí)得語言與常識。認(rèn)知科學(xué)家Emmanuel Dupoux團(tuán)隊(duì)最新研究指出，這一鴻溝源于AI缺乏"內(nèi)在驅(qū)動"的學(xué)習(xí)機(jī)制——他們提出了一條融合認(rèn)知科學(xué)與機(jī)器學(xué)習(xí)的可行路徑。

2026年3月16日，巴黎高等師范學(xué)院認(rèn)知科學(xué)實(shí)驗(yàn)室主任Emmanuel Dupoux聯(lián)合兩位合作者在arXiv發(fā)布預(yù)印本論文《Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science》。這篇長達(dá)2827KB的研究直指當(dāng)代人工智能的核心悖論：盡管大語言模型消耗了互聯(lián)網(wǎng)級別的文本數(shù)據(jù)，卻仍未展現(xiàn)出人類兒童般的自主學(xué)習(xí)能力。

研究團(tuán)隊(duì)從發(fā)展心理學(xué)與認(rèn)知神經(jīng)科學(xué)中汲取靈感，系統(tǒng)對比了人類嬰兒與深度學(xué)習(xí)系統(tǒng)的學(xué)習(xí)模式差異。他們發(fā)現(xiàn)，當(dāng)前AI的"學(xué)習(xí)"本質(zhì)上是一種被動優(yōu)化過程——模型被投喂預(yù)設(shè)數(shù)據(jù)集，通過反向傳播調(diào)整參數(shù)以最小化預(yù)測誤差。而人類學(xué)習(xí)則是主動探索的過程：嬰兒會自主決定關(guān)注什么、嘗試什么、從哪些反饋中學(xué)習(xí)。

"目標(biāo)缺失癥"：AI不知道自己要學(xué)什么

論文指出，人類認(rèn)知發(fā)展的關(guān)鍵特征在于"內(nèi)在動機(jī)系統(tǒng)"的存在。嬰兒天生具備好奇心，會被新奇、不確定或超出當(dāng)前能力邊界的刺激所吸引。這種自發(fā)的注意力分配機(jī)制確保了學(xué)習(xí)效率——他們無需外部指令便能識別值得學(xué)習(xí)的目標(biāo)。

相比之下，現(xiàn)代AI系統(tǒng)完全依賴外部定義的目標(biāo)函數(shù)?！府?dāng)前機(jī)器學(xué)習(xí)范式將目標(biāo)設(shè)定為人工工程問題，」Dupoux在文中寫道，「模型被告訴要優(yōu)化什么，而非自己發(fā)現(xiàn)應(yīng)該優(yōu)化什么?！惯@一設(shè)計(jì)導(dǎo)致AI在面對開放環(huán)境時表現(xiàn)出系統(tǒng)性脆弱：當(dāng)訓(xùn)練分布與部署環(huán)境出現(xiàn)偏差，模型缺乏自主調(diào)整學(xué)習(xí)目標(biāo)的能力。

研究團(tuán)隊(duì)援引了發(fā)展心理學(xué)的經(jīng)典發(fā)現(xiàn)：12個月大的嬰兒在" preferential looking"實(shí)驗(yàn)中，會顯著延長對違反物理規(guī)則事件（如物體穿過固體表面）的注視時間。這種自發(fā)的好奇心驅(qū)動他們構(gòu)建關(guān)于物體恒存性、因果關(guān)系的內(nèi)部模型——而無需任何顯式監(jiān)督信號?，F(xiàn)有AI架構(gòu)中不存在等價機(jī)制。

"經(jīng)驗(yàn)瓶頸"：AI無法生成自己的訓(xùn)練數(shù)據(jù)

第二個核心差異在于經(jīng)驗(yàn)獲取的自主性。人類通過物理行動與世界互動，其感知輸入是自我生成的函數(shù)：嬰兒伸手抓取物體以驗(yàn)證抓握預(yù)測，跌倒后調(diào)整平衡策略。這種"感知-行動循環(huán)"創(chuàng)造了高度結(jié)構(gòu)化的學(xué)習(xí)信號，其中因果鏈條清晰可追蹤。

論文尖銳批評了當(dāng)前"大數(shù)據(jù)"范式的認(rèn)知謬誤?！富ヂ?lián)網(wǎng)文本是人類認(rèn)知活動的產(chǎn)物，而非認(rèn)知活動本身，」作者指出，「模型學(xué)習(xí)的是思維的痕跡，而非思維的過程。」這解釋了為何GPT類模型能流暢生成語法正確的句子，卻在物理常識推理上頻頻失效——它們從未經(jīng)歷過將杯子打翻、觀察液體灑落的具身經(jīng)驗(yàn)。

研究團(tuán)隊(duì)提出"自主經(jīng)驗(yàn)生成"作為關(guān)鍵改進(jìn)方向。他們認(rèn)為，AI系統(tǒng)需要具備在模擬或真實(shí)環(huán)境中執(zhí)行行動、觀察后果、并將結(jié)果整合進(jìn)學(xué)習(xí)循環(huán)的能力。這與強(qiáng)化學(xué)習(xí)有表面相似性，但本質(zhì)區(qū)別在于：行動的選擇應(yīng)由內(nèi)在好奇心驅(qū)動，而非外部獎勵函數(shù)塑造。

"社會學(xué)習(xí)"的空白：AI沒有文化傳遞機(jī)制

人類學(xué)習(xí)的第三個維度常被AI研究忽視：社會性。兒童不僅從直接經(jīng)驗(yàn)中學(xué)習(xí)，還通過模仿、教學(xué)互動、語言交流高效獲取累積性文化知識。這種"文化學(xué)習(xí)"機(jī)制使個體無需重新發(fā)現(xiàn)火的使用或微積分原理，便能站在集體智慧之上。

然而，當(dāng)前AI的"模仿學(xué)習(xí)"是統(tǒng)計(jì)層面的表面復(fù)現(xiàn)，缺乏對意圖、信念、教學(xué)信號的理解。Dupoux團(tuán)隊(duì)強(qiáng)調(diào)，真正的社會學(xué)習(xí)需要"心智理論"能力——推斷他人行為背后的目標(biāo)與知識狀態(tài)。這恰恰是當(dāng)前多模態(tài)大模型的盲區(qū)：它們可以生成符合教學(xué)場景格式的文本，卻不理解"教學(xué)"作為一種有意圖的知識傳遞行為。

論文特別討論了大型語言模型中的"涌現(xiàn)"現(xiàn)象。作者承認(rèn)，規(guī)模擴(kuò)展確實(shí)帶來了未曾明確編程的能力，但警告這不應(yīng)與"自主理解"混淆?！附y(tǒng)計(jì)關(guān)聯(lián)的深層模式不等于因果結(jié)構(gòu)的顯式表征，」他們寫道，「模型可能在訓(xùn)練分布內(nèi)表現(xiàn)出'理解'的假象，但這種脆弱性恰恰證明了其非自主性。」

融合路徑：從認(rèn)知科學(xué)到工程實(shí)現(xiàn)

研究并未止步于批評。Dupoux團(tuán)隊(duì)提出了一套可操作的改進(jìn)框架，將認(rèn)知科學(xué)洞見轉(zhuǎn)化為機(jī)器學(xué)習(xí)的技術(shù)需求。核心建議包括：開發(fā)內(nèi)在好奇心驅(qū)動的注意力機(jī)制，構(gòu)建支持自主探索的具身模擬環(huán)境，以及整合社會學(xué)習(xí)所需的意圖推理模塊。

最具爭議性的提議或許是"發(fā)展式AI"——模擬人類認(rèn)知發(fā)展的階段特性，從簡單感官運(yùn)動技能逐步構(gòu)建更抽象的認(rèn)知能力，而非直接訓(xùn)練端到端的巨型模型。這一思路與當(dāng)前"規(guī)模即一切"的行業(yè)主流形成鮮明對照。

論文的發(fā)表時機(jī)頗具意味。就在2026年初，多家科技巨頭宣布下一代模型訓(xùn)練成本突破百億美元門檻，而數(shù)據(jù)枯竭已成為公開討論的行業(yè)焦慮。Dupoux的研究暗示，單純追加算力與數(shù)據(jù)可能觸及收益遞減的邊界，范式層面的創(chuàng)新才是突破瓶頸的關(guān)鍵。

認(rèn)知科學(xué)與人工智能的交叉并非新話題，但Dupoux團(tuán)隊(duì)的系統(tǒng)性論證為這一對話注入了新的緊迫性。當(dāng)業(yè)界沉迷于參數(shù)規(guī)模的軍備競賽，這項(xiàng)研究提醒我們：真正的智能或許不在于消化多少數(shù)據(jù)，而在于如何像人類嬰兒那樣，以極少的先驗(yàn)和極大的好奇，自主地探索這個復(fù)雜世界。