我们应该创造一个婴儿大脑的人工智能

艾莉森·戈普尼克 (Alison Gopnik) 的职业生涯始于一项心理学实验，现在她认为这项实验很荒谬。为了了解 15 个月大的婴儿如何将单词与抽象概念（爸爸 = 照顾者）联系起来，她决定在一年内每周拜访 9 个孩子一次。当时，这位牛津大学的研究生会把他们说的每句话都记录下来，作为她论文的一部分。“这太荒谬了，理由有一百万个，”戈普尼克说，她在一个冬天的星期五躲在加州大学伯克利分校的办公室里，她是那里的发展心理学教授。“如果一个孩子搬走了，如果一年后没有任何收获，或者其他任何事情，所有的工作都会付诸东流，”她说，然后补充道，“我永远不会允许我的学生今天做这样的事情。”虽然她的实验没有解决任何语言习得之谜，但它确实推翻了她对儿童学习和智力的假设——并改变了她的职业道路。如今，她的研究引起了人工智能科学家的兴趣，他们想将她的见解应用到他们的机器学习算法中。她在研究生时期对儿童智力的了解仍然具有影响力——对她的领域，也可能对他们的领域。“我没有把孩子看作是这种初级成年人，而是意识到他们有着深刻的不同，”现年 62 岁的戈普尼克说，她自己的孩子和孙辈都已成年。“他们使用词语的方式、表达的意义、表达方式——都与成年人的思维或说话方式不符。”如今，戈普尼克在加州大学伯克利分校管理着自己的认知发展实验室，并撰写了几本关于早期儿童学习和发展的书籍。她是 TED 校友、华尔街日报专栏作家，并通过参加《早安美国》和《科尔伯特报告》等节目，达到了独特的智力高度——跨界到流行文化领域。戈普尼克的信息是：成年人的认知首要性是一种幻觉。她的研究表明，孩子并不是像果蝇一样注意力集中的原始成年人，事实上，他们有时比我们更优秀。“孩子，甚至是很小的孩子，”她说，“在很多方面都比成年人更聪明、更有创造力、学习能力更强。”

原因在于：大小和形状很重要。研究表明，儿童大脑的体积和结构决定了认知优势和劣势。成年人也是如此。例如，发达的前额叶皮层使成年人能够集中注意力、制定计划和控制我们的冲动：这些宝贵的技能让我们能够撰写杂志文章并避免入狱。但有证据表明，发达的皮层也会使学习新的或令人惊讶的概念变得困难，并会阻碍创造性思维。幼儿的大脑不断涌现出新的神经连接，更具可塑性和适应性。这使得他们很难记住穿裤子，但却出人意料地擅长解决抽象难题并从极少量的信息中提取出意想不到的原理。

这些都是很有用的技能。事实证明，很多聪明人都想这样思考，或者想制造出这样思考的机器。谷歌和优步等公司的人工智能研究人员希望利用这种对世界上最强大的神经学习装置（幼儿耳朵之间的装置）的独特理解，制造出更智能的自动驾驶汽车。程序员可以编写在棋盘游戏中击败我们的软件，但将这些技能应用到其他任务（例如交通模式分析）上则更加困难。另一方面，孩子们在这种广义学习方面是天才。“他们不只是弄清楚一个游戏或机器是如何工作的，”戈普尼克说。她说，一旦他们弄清楚了你的 iPhone 是如何工作的，他们就能够利用这些信息来弄清楚前门上的儿童安全滑动锁。

破解这些小密码破译员的密码并不是戈普尼克最初的职业计划。在本科期间，她开始研究生活中的大问题，在分析哲学领域辛勤工作。当时，她的同龄人中没有人思考过孩子们的想法。但戈普尼克确信孩子们是解开最古老的认识论问题之一的关键：我们如何了解周围的世界？借用大脑作为计算机的模型，戈普尼克试图询问运行这个小型人体机器的软件的问题，使其能够执行复杂的功能。“孩子们比其他人进行更多的广义学习，”她说，“那么你为什么不想知道为什么他们如此擅长呢？”

她说，通过考虑两种流行但相互对立的人工智能策略，我们可以理解在机器中安装学前视角的优势：自下而上和自上而下的学习。前者的工作方式与您预期的一样：假设您想让计算机学会识别猫。采用自下而上或“深度学习”策略，您需要向它输入 50,000 张毛茸茸的猫科动物照片，并让它从这些例子中提取统计数据。另一方面，自上而下的策略只需要一个猫的例子。使用此策略的系统会拍摄那一张照片，建立“猫性”（胡须、毛发、垂直瞳孔等）模型，然后使用它来尝试识别其他猫，并在过程中修改其猫假设，就像科学家一样。

孩子们同时使用这两种方法。他们擅长弄清楚事情并提取统计数据，戈普尼克说。他们利用这些数据提出新的理论和结构化的世界图景。成功地将这两种知识构建方法提炼成算法可能会产生人工智能，最终它不仅可以在围棋比赛中打败我们并识别动物。戈普尼克希望，它也可能改变我们似乎都认同的关于智力的过时观念。“我们仍然倾向于认为 35 岁的男性教授是人类认知的终极目标，”她说，“其他一切都只是导致或恶化认知高峰。”

这种模式因多种原因而毫无意义。进化生物学、神经科学和发展心理学等领域的研究表明，我们在人生的不同阶段拥有不同的认知优势和策略。戈普尼克说：“孩子在 2 岁时对人和世界如何运作有一套想法，3 岁时有另一套想法，5 岁时又有另一套想法。这就像他们在积极地试图构想出一幅连贯的画面来描述他们周围的世界，然后根据他们所做的观察不断改变这幅画面。”

这种疯狂的假设形成——以及持续的改革——并不是一个缺陷；而是一个人们非常渴望的功能。如果我们希望我们的机器拥有接近人类智能的东西，也许我们应该考虑给它们一个童年。