機器可以理解語音、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)方面的進步。但是，如果人工智能領(lǐng)域想要實現(xiàn)革命性的跨越，從而建造出類人式的機器，它首先將要掌握嬰兒的學(xué)習方式。
「在相對最近的人工智能中，人們從想直接設(shè)計一個可以完成成人做的事情的系統(tǒng)轉(zhuǎn)變成一種認識即如果想要有一個靈活和強大的系統(tǒng)來完成成人做的事情，這個系統(tǒng)需要能夠?qū)W習嬰兒和孩子做事情的方式。」加州大學(xué)伯克利分校的發(fā)展心理學(xué)家AlisonGopnik說，「如果你將現(xiàn)在計算機可以完成的事情與10年前可以完成的事情相比較，它們已經(jīng)取得了很大的進步，但是如果你將這些事情與一個4歲兒童可以做的事相比較，仍然有相當大的差距。」
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)的和實驗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)習至關(guān)重要。
Gopnik最近和一組研究人員一起研究揭示了15個月大的孩子相比年齡更大的孩子是如何使用統(tǒng)計數(shù)據(jù)來更好地學(xué)習因果關(guān)系的。嬰幼兒也許是更好的學(xué)習者，因為他們的大腦更加靈活或者「可塑性」更強；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)習的經(jīng)驗而改變。
通過將發(fā)展心理學(xué)家和計算學(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)習型大腦是如何工作的，并且將其計算能力轉(zhuǎn)化到機器的身上。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（Bayesianlearning）的統(tǒng)計評估方法（參閱機器之心文章《深度|大腦認知機制是貝葉斯式的嗎？》）。也就是說，這種理解并非是基于一個結(jié)果的已知頻率（嬰兒所沒有的信息），而是基于當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新單詞的時候，他們就已經(jīng)對這個新詞的可能意思和可能的使用方法等有了一個很好的認識了；」Gopnik說。「所以這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。」
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，越來越難以隨著時間而改變。年長的學(xué)習者發(fā)展出了有偏見的觀點，因為他們更多地了解世界并且加強某些神經(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。「你知道的越多，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開放的態(tài)度。從進化的角度來看，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)習新的東西。」
在嬰兒剛出生的幾年，每一秒都有700個新神經(jīng)連接生成，這是讓一個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)習已經(jīng)被證明是兒童發(fā)展中的一個強大工具，計算機科學(xué)家正在使用該模型設(shè)計智能學(xué)習機。
麻省理工學(xué)院大腦和認知科學(xué)系的教授、計算認識科學(xué)家JoshuaTenenbaum說：「貝葉斯算法正在試圖捕捉嬰兒的學(xué)習模式，機器人維修，」他正在與Gopnik合作進一步研究其計算機和心理學(xué)的混合領(lǐng)域。「當這些孩子進入了真實的世界時，就已經(jīng)有準備好的基本的構(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)習機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，不管處在哪一個發(fā)展階段，都是被設(shè)計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入物理世界。當一個人只有有限的數(shù)據(jù)時，大腦就會填補空白，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或多個感知，但是他們還是尤其擅長處理信息。
Tenenbaum說：「為了理解世界，孩子們會像科學(xué)家一樣學(xué)習，庫卡機器人驅(qū)動器維修，這包括形成理論、進行試驗、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，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)的研究人員團隊合作設(shè)計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)建計算機的機器學(xué)習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樣本之后就像人類一樣準確地識別手寫字符。使用貝葉斯程式學(xué)習框架，軟件能夠為每個至少看到一次的手寫字符生成一個獨特的指令。但是，當機器面臨一個不熟悉的特性的時候，這種算法的獨特功能就發(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)建一個新的字符以此檢測其假設(shè)即當嬰兒面對他們從未見過的角色和對象時，他們?nèi)绾螐挠邢薜臄?shù)據(jù)中學(xué)習到豐富的概念。
然而，軟件仍然無法通過形成原始假設(shè)自主學(xué)習方式模仿孩子學(xué)習的方式。當研究人員能夠設(shè)計具有原始假設(shè)和真實的目標的軟件時（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)的潛力將會有里程碑式的轉(zhuǎn)變。沒有自我驅(qū)動的目標，人工智能系統(tǒng)就限制了他們自主運作的潛力。
Tenenbaum說：「使用越來越多的數(shù)據(jù)進行的持續(xù)性學(xué)習是任何人工智能系統(tǒng)都想要做到的，但自主學(xué)習卻是棘手的，因為總會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)習過程仍舊是一個眾所周知的挑戰(zhàn)。目前的人工智能系統(tǒng)并沒有建立任何目標，應(yīng)此它們也無法為自己的學(xué)習負責。當一個機器人按指示拿起一個盒子時，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)習算法。它建造了一個非常初步模仿人腦的工作方式。當機器處理一個對象時，它搜索其巨大的數(shù)據(jù)庫來獲取與機器匹配的像素以進行識別。而人類依賴于更高形式的認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算機程序，這通常被稱之為思維。思維是程序且運行于大腦這個硬件上，我們就是試圖在對準軟件層面。神經(jīng)網(wǎng)絡(luò)在人工智能中就像計算機程序的軟件層面一樣。」