機(jī)器可以理解語音、識別面部和安全駕駛汽車。這讓人們十分訝異于近期的技術(shù)方面的進(jìn)步。但是，如果人工智能領(lǐng)域想要實(shí)現(xiàn)革命性的跨越，從而建造出類人式的機(jī)器，它首先將要掌握嬰兒的學(xué)習(xí)方式。
「在相對最近的人工智能中，人們從想直接設(shè)計(jì)一個(gè)可以完成成人做的事情的系統(tǒng)轉(zhuǎn)變成一種認(rèn)識即如果想要有一個(gè)靈活和強(qiáng)大的系統(tǒng)來完成成人做的事情，這個(gè)系統(tǒng)需要能夠?qū)W習(xí)嬰兒和孩子做事情的方式�！辜又荽髮W(xué)伯克利分校的發(fā)展心理學(xué)家AlisonGopnik說，「如果你將現(xiàn)在計(jì)算機(jī)可以完成的事情與10年前可以完成的事情相比較，它們已經(jīng)取得了很大的進(jìn)步，但是如果你將這些事情與一個(gè)4歲兒童可以做的事相比較，仍然有相當(dāng)大的差距�！�
嬰兒和孩子使用一種和科學(xué)家用來構(gòu)建科學(xué)理論的相同的方法來構(gòu)建關(guān)于他們的周圍的世界的理論。他們以一種系統(tǒng)的和實(shí)驗(yàn)性的努力來探索和測試他們周圍的環(huán)境以及環(huán)境中的人，這對于學(xué)習(xí)至關(guān)重要。
Gopnik最近和一組研究人員一起研究揭示了15個(gè)月大的孩子相比年齡更大的孩子是如何使用統(tǒng)計(jì)數(shù)據(jù)來更好地學(xué)習(xí)因果關(guān)系的。嬰幼兒也許是更好的學(xué)習(xí)者，因?yàn)樗麄兊拇竽X更加靈活或者「可塑性」更強(qiáng)；他們較少地被背景知識所影響，這也讓他們有著更加開放的頭腦。大腦并非是不變的，而是隨著每一次學(xué)習(xí)的經(jīng)驗(yàn)而改變。
通過將發(fā)展心理學(xué)家和計(jì)算學(xué)家的專業(yè)知識相結(jié)合，人們可以揭示出世界上最好的學(xué)習(xí)型大腦是如何工作的，并且將其計(jì)算能力轉(zhuǎn)化到機(jī)器的身上。最近，人工智能需要大量的數(shù)據(jù)來提取模式和結(jié)論，但那些對周圍世界有相對較少數(shù)據(jù)的嬰兒使用的是一種被稱為貝葉斯學(xué)習(xí)（Bayesianlearning）的統(tǒng)計(jì)評估方法（參閱機(jī)器之心文章《深度|大腦認(rèn)知機(jī)制是貝葉斯式的嗎？》）。也就是說，這種理解并非是基于一個(gè)結(jié)果的已知頻率（嬰兒所沒有的信息），而是基于當(dāng)前的知識推斷出的事情發(fā)生的可能性，其隨著新接收到的信息而連續(xù)調(diào)整。
「令人震驚的是，嬰兒可以只看到一次或聽到一個(gè)新單詞的時(shí)候，他們就已經(jīng)對這個(gè)新詞的可能意思和可能的使用方法等有了一個(gè)很好的認(rèn)識了；」Gopnik說�！杆赃@些貝葉斯方法很好地解釋了在沒有充足數(shù)據(jù)的情況下，這些孩子為什么如此擅長于學(xué)習(xí)�！�
嬰兒們使用概率模型通過組合概率和可能性（probabilitiesandpossibilities）來得出結(jié)論，從而創(chuàng)造出各種假設(shè)。隨著大腦的成熟，它變得更加專業(yè)化以便執(zhí)行復(fù)雜的功能，因此也變得不那么靈活，越來越難以隨著時(shí)間而改變。年長的學(xué)習(xí)者發(fā)展出了有偏見的觀點(diǎn)，因?yàn)樗麄兏嗟亓私馐澜绮⑶壹訌?qiáng)某些神經(jīng)連接，這阻礙了他們基于很少的信息來形成具有創(chuàng)新性的假設(shè)和抽象理論的能力。這種能力使得5歲以下的嬰兒和兒童茁壯成長。
「這種權(quán)衡關(guān)系就是，你知道的越多，你就越難以考慮新的可能性，」Gopnik說�！改阒赖脑蕉�，你就越依賴于你知道的東西，而對新的東西則不能保持一個(gè)開放的態(tài)度。從進(jìn)化的角度來看，嬰兒的整體情況就是他們不知道那么多，所以他們可以更好地學(xué)習(xí)新的東西�！�
在嬰兒剛出生的幾年，每一秒都有700個(gè)新神經(jīng)連接生成，這是讓一個(gè)靈活的大腦處理快速積累的來自環(huán)境和社交的信息所必需的部分。比起在成年時(shí)期重新組合大腦回路，生命早期的可塑性使得從零建立大腦的架構(gòu)更加容易。貝葉斯學(xué)習(xí)已經(jīng)被證明是兒童發(fā)展中的一個(gè)強(qiáng)大工具，計(jì)算機(jī)科學(xué)家正在使用該模型設(shè)計(jì)智能學(xué)習(xí)機(jī)。
麻省理工學(xué)院大腦和認(rèn)知科學(xué)系的教授、計(jì)算認(rèn)識科學(xué)家JoshuaTenenbaum說：「貝葉斯算法正在試圖捕捉嬰兒的學(xué)習(xí)模式，機(jī)器人維修，」他正在與Gopnik合作進(jìn)一步研究其計(jì)算機(jī)和心理學(xué)的混合領(lǐng)域�！府�(dāng)這些孩子進(jìn)入了真實(shí)的世界時(shí)，就已經(jīng)有準(zhǔn)備好的基本的構(gòu)建模塊來讓他們理解一些最復(fù)雜的概念。然后，他們有學(xué)習(xí)機(jī)制即以這些最初的構(gòu)建模塊來嘗試從稀疏數(shù)據(jù)推理，并創(chuàng)造因果理論�！�
人類的大腦，不管處在哪一個(gè)發(fā)展階段，都是被設(shè)計(jì)通過一系列的感覺系統(tǒng)，包括視覺、聽覺、嗅覺、味覺、觸覺、空間取向和平衡從而進(jìn)入物理世界。當(dāng)一個(gè)人只有有限的數(shù)據(jù)時(shí)，大腦就會(huì)填補(bǔ)空白，這是一種被稱為「退化（degeneracy）」的神經(jīng)結(jié)構(gòu)現(xiàn)象。盡管嬰兒的大腦缺乏一個(gè)或多個(gè)感知，但是他們還是尤其擅長處理信息。
Tenenbaum說：「為了理解世界，孩子們會(huì)像科學(xué)家一樣學(xué)習(xí)，庫卡機(jī)器人驅(qū)動(dòng)器維修，這包括形成理論、進(jìn)行試驗(yàn)、玩耍并且看看到他們可有所發(fā)現(xiàn)的東西，積極思考什么是正確的方法來測試他們的理論或者應(yīng)對一些他們沒有想到的東西，并試圖找出什么是錯(cuò)，什么是對�！�
采取孩子的措施
Tenenbaum和來自紐約大學(xué)和多倫多大學(xué)的研究人員團(tuán)隊(duì)合作設(shè)計(jì)了一種能夠以更有效和更復(fù)雜的方式捕獲新知識的人工智能軟件。在2015年12月，他們的研究論文《Human-levelconceptlearningthroughprobabilisticprograminduction》指出用于創(chuàng)建計(jì)算機(jī)的機(jī)器學(xué)習(xí)算法接近我們所處理信息的方式；該論文已發(fā)表在Science雜志上。
新的人工智能程序可以在看到一個(gè)樣本之后就像人類一樣準(zhǔn)確地識別手寫字符。使用貝葉斯程式學(xué)習(xí)框架，軟件能夠?yàn)槊總�(gè)至少看到一次的手寫字符生成一個(gè)獨(dú)特的指令。但是，當(dāng)機(jī)器面臨一個(gè)不熟悉的特性的時(shí)候，這種算法的獨(dú)特功能就發(fā)揮了作用。它從數(shù)據(jù)搜索轉(zhuǎn)換到尋找匹配，使用概率程序并通過組合已經(jīng)見過的字符的部分和子部分來創(chuàng)建一個(gè)新的字符以此檢測其假設(shè)即當(dāng)嬰兒面對他們從未見過的角色和對象時(shí)，他們?nèi)绾螐挠邢薜臄?shù)據(jù)中學(xué)習(xí)到豐富的概念。
然而，軟件仍然無法通過形成原始假設(shè)自主學(xué)習(xí)方式模仿孩子學(xué)習(xí)的方式。當(dāng)研究人員能夠設(shè)計(jì)具有原始假設(shè)和真實(shí)的目標(biāo)的軟件時(shí)（例如產(chǎn)生識別字符的愿望而非遵循研究者的指令），人工智能系統(tǒng)的潛力將會(huì)有里程碑式的轉(zhuǎn)變。沒有自我驅(qū)動(dòng)的目標(biāo)，人工智能系統(tǒng)就限制了他們自主運(yùn)作的潛力。
Tenenbaum說：「使用越來越多的數(shù)據(jù)進(jìn)行的持續(xù)性學(xué)習(xí)是任何人工智能系統(tǒng)都想要做到的，但自主學(xué)習(xí)卻是棘手的，因?yàn)榭倳?huì)有人來操控整件事情，數(shù)據(jù)的數(shù)量與類型也由他們給出。嬰兒是自主選擇的，機(jī)器人維修，但是要讓人工智能系統(tǒng)能夠更自主地構(gòu)建自己學(xué)習(xí)過程仍舊是一個(gè)眾所周知的挑戰(zhàn)。目前的人工智能系統(tǒng)并沒有建立任何目標(biāo)，應(yīng)此它們也無法為自己的學(xué)習(xí)負(fù)責(zé)。當(dāng)一個(gè)機(jī)器人按指示拿起一個(gè)盒子時(shí)，看著它們做著和人類一樣的事情是非常令人欣喜的，然而它們并不會(huì)擁有像孩子那樣復(fù)雜的思維水平�！�
Tenenbaum和他的同事采用了在神經(jīng)元的虛擬網(wǎng)絡(luò)上建模的深度學(xué)習(xí)算法。它建造了一個(gè)非常初步模仿人腦的工作方式。當(dāng)機(jī)器處理一個(gè)對象時(shí)，它搜索其巨大的數(shù)據(jù)庫來獲取與機(jī)器匹配的像素以進(jìn)行識別。而人類依賴于更高形式的認(rèn)知功能來解釋對象的內(nèi)容。
「我們正在試圖編寫像大腦的軟件一樣的計(jì)算機(jī)程序，這通常被稱之為思維。思維是程序且運(yùn)行于大腦這個(gè)硬件上，我們就是試圖在對準(zhǔn)軟件層面。神經(jīng)網(wǎng)絡(luò)在人工智能中就像計(jì)算機(jī)程序的軟件層面一樣�！�