机器已经可以理解语音，可以识别面部图像，感知汽车安全性，看起来最近一段时间技术取得了很大突破，已经变得相当强大。如果AI希望获得革命性的突破，制造出像人类一样的机器人，首先AI必须像孩子一样学习。

“最近一段时间，AI行业的思考重点开始转移：以前大家试图设计出一套系统，让它可以做成人能做的事，现在大家意识到如果想开发系统，让它灵活强大，可以做成人做的事情，首先要开发出可以像婴儿、孩子一样学习的系统。”加州大学伯克利分校发展心理学家阿里森·高普尼克（Alison Gopnik）说，“如果将现在电脑所能做的事与10年前对比，就会发现电脑取得了很大的进步，如果将它与4岁的孩子对比，就会发现差距还很大。”

婴儿与孩子会构建与世界有关的理论，科学家用同样的方法构建科学理论。婴儿与孩子会不断努力，这种努力是系统性、实验性的，它对学习至关重要，孩子用这种方式探索自己所处的环境，了解环境中的人。

孩子越小学习能力越强

最近，高普尼克与一个研究团队携手合作，发现在相同的统计数据条件下，15个月大的婴儿比年长的孩子更容易理解因果效应。婴儿和年轻孩子的学习能力更强，因为它们的大脑更具弹性，可塑性更强，他们没有被预先存在的知识所污染，因此在接受信息时更加开放。大脑并不是一成不变的，每学习一次就会改变一点。

将发展心理学、计算机科学结合起来，人类也许可以搞清世界上那些最棒的大脑是如何运行的，并将这种计算能力放进机器。就目前而言，AI需要庞大的数据来提取模式、获得结论。

孩子对周围世界的了解很少，他们用统计评估方式学习——也就是所谓的“贝叶斯学习”。换言之，孩子的理解并不是根据结果的已知频率做出的，相反，它以现有知识推断可能性，当接受到新信息时，孩子会不断调整。

高普尼克说：“孩子第一次看到新东西时，或者第一次听到新单词时，他们已经对新单词的意思有了不错的理解，对单词的使用也有了不错的理解，这才是最惊人的地方。即使没有太多的数据，孩子也可以有效学习，贝叶斯方法能够很好解释原因。”

孩子用概率性模型形成各种假设，这些假设将概率、可能性结合在一起，得出结论。当大脑越来越成熟，为了执行复杂的任务，大脑越来越专业化，结果导致大脑的敏捷性下降，随着时间的推移越来越难改变。当人渐渐长大，对世界的理解加深，某些神经连接会更强，大脑就会形成基本观点，此时大脑形成假定的能力、从少量信息提取理论的能力会受到压制。一般来说，5岁以下的婴儿和孩子都会经历这一转变过程。

“有得必有失，你知道得越多越难考虑新的可能性。”高普尼克表示，“你知道越多，你对已知知识的依赖也就越大，不再那么开放。从进化的角度来看，婴儿知道的东西不多，所以学习新东西的能力更强。”

在孩子出生的前几年，每几秒钟就会有700个新的神经结形成，大脑极富弹性，可以处理迅速增加的信息，这些信息来自环境、社会互动。大脑早期的可塑性很强，与成人相比，小孩重新构建大脑架构更容易一些。在孩子的成长过程中，贝叶斯学习已经成为一种强有力的工具，计算机科学家现在用它重新设计智能学习机器。

MIT大脑认知科学教授、计算机认知科学家约书亚·泰拉贝尔（Joshua Tenenbaum）表示：“贝叶斯数学努力理解孩子学习的秘诀。”他与高普尼克携手合作，将计算机与心理学融合在一起。泰拉贝尔说：“孩子进入一个新世界，那里已经有基本建造块，这些块可以帮助我们理解一些复杂的概念，然后我们还要学习获得最初建造块的机制和原理，根据零散数据做推断，得出因果推论。”

AI软件有多聪明？

不论处在怎样的发展阶段，人脑都需要通过一系列感知系统了解世界：视觉、听觉、嗅觉、味道、触觉、空间方位、平衡。如果获得的数据有限，大脑会填充空白区。虽然婴儿的大脑可能会缺少一种或者几种感知功能，但是它们在处理信息时更加敏捷。

泰拉贝尔说：“孩子像科学家一样学着理解世界，比如形成理论、做实验、玩耍、看看自己能发现什么，积极思考，寻找验证理论的最佳方法，对预料之外的事情做出反应，努力搞清什么是错误的什么是正确的。”

泰拉贝尔与一个研究团队合作，这个团队的成员来自纽约大学、多伦多大学，他们携手设计AI软件，该软件可以用更高效、更复杂的方式获得新知识。2015年12月，团队的研究成果发表在《科学》杂志上，论文谈到了如何编写机器学习算法，让计算机可以像人一样处理信息。

看了一个范例之后，新的AI程序可以识别手写字符，精准度和人类一样。通过贝叶斯程序学习框架，凡是之前看过至少一次的手写字符，软件都会为它们生成一套独特的程序。当机器面对不熟悉的字符时，算法的独特功能才真正显露出来。

此时算法不会查找自己的数据库，看看有没有匹配的，相反，它会将字符（之前看过的字符）的部件和子部件结合起来，形成一种新的字符，然后用概率程序测试假定的正确性。婴儿也是这样学习的，虽然数据有限，当婴儿看到的字符或者对象是之前没有看到过的，他会从有限数据中提取丰富的概念。

孩子可以形成原假设，并在形成的过程中自动学习，目前软件还无法模拟这种能力。一旦科学家设计出软件，可以生成原假设和真正目标，例如，程序自己产生“欲望”，渴望识别手写字符，而不是在研究人员的指引下进行，此时AI就会出现巨大的飞跃。如果不能用自己生成的目标驱动，AI系统的自动化能力始终会受到限制。

“用越来越多的数据持续学习，这是每一个AI系统都想达成的目标。”泰拉贝尔表示，“问题在于自动学习很困难。总会有一个人掌控一切，他决定给予系统多少数据，给予哪类数据。”

婴儿自己会做出选择。让AI自己为学习流程组建架构，这是一个公开的挑战。目前的AI系统没有任何目标，如果没有任何目标，就没有办法自己学习。在人类的指引下，机器人可以捡起盒子，看到他们完成任务，我们会赞叹，因为它做了人类正在做的事。尽管如此，机器人无法像孩子一样进行复杂的思考。

泰拉贝尔与同事在虚拟神经网络上部署机器学习算法，它可以深度模拟人类大脑的运行原理。当机器识别对象时，它需要搜索庞大的数据集，寻找匹配的数据，从而达到识别对象的目的。人类不同，人类依赖更高形式的感知功能解释对象的内容。

“我们正在尝试编写计算机程序，它相当于大脑软件，我们也可以管它叫意识。”泰拉贝尔表示，“意识就是软件，它在大脑硬件上运行，我们试图在软件层面上构建它。AI中的神经网络相当于软件层面的计算机程序。”

2013年，美国国家科学基金会向MIT提供2500万美元赞助资金，为期5年，让它建立一个脑、意识和机器研究中心（Center for Brains, Minds and Machines）。来自不同领域的科学家、工程师携手合作，深入研究大脑执行复杂运算的原理，他们希望能够开发出智能机器，让它接近人类智力。

“直到最近，我们才有了可以达成目标的数学理论和计算机模型。”泰拉贝尔说，“我们需要更多的资源、聪明人、企业、技术，可能还需要更快的计算机。我们可能需要等待，或者依赖其它工程突破才能获得年轻小孩一样的智力。”