"原创文章,首发于公众号"小小神经元",未经许可,请勿转载" 近年来,人工智能,即AI(artificial intelligence)这个话题非常火。在大量的电影作品中,人工智能屡见不鲜,比如很多80、90后很熟悉的电影《终结者》、《黑客帝国》系列,威尔史密斯演的《我是传奇》和近两年来也非常热门的美剧《西部世界》,无不描绘出人工智能强大而令人震撼的学习能力。 最开始,计算机还没有达到自主进行学习的程度,只是按照人类输入的算法进行运作,致使很多人觉得计算机只是做出规律的运算,没办法呈现和创意相关的运算。 但近几年,计算机的发展还是让人赞叹不已。比如作为围棋国家二级运动员的柯洁,输给了叫做阿尔法Go(围棋的英文单词也是"Go")的机器人。不仅仅会下围棋,人工智能还在扑克和Atari Arcade Classics等复杂游戏中已达到超人类水平。 这些AI成功故事的背后都有一个称为"深度强化学习"的算法(algorithm),该算法将神经网络建模与从奖励和惩罚中学习的过程结合起来。在游戏中训练过程中,机器在不断学习,每当机器赢一局,获得积分或到下一轮时,便会获得奖励。 "人工智能"这个概念分为"人工"和"智能",人工就是人类创造的硬件、软件等,而智能就复杂的多,包括了思维、意识、自我,这些关乎人类心理学的内容,本来就很抽象和神秘,更别提现在我们要把这些东西装进钢和铁的大脑中了。 现实世界中的人类一直在解决复杂环境中的问题。比如从远古时期,学习打猎,到后来的农业耕种,再是艺术的产生,人类无不用其智慧去产生文明的结晶。 虽然人工智能AI已经在某些比赛中赢了人类,可是,人工智能和真正的人类智能还有不少距离。而儿童的玩耍比人工智能要高级的得多,在玩耍过程中儿童的快速发展和学习也是人工智能所无法想象的,这是为什么呢?孩子能更好的处理"不确定性" 我们先来看看人类大脑在出生的头几年经历了什么。刚出生的那几年,我们从简单的模仿到给出自己自发性的反应,到底是什么激励了孩子们互相玩耍、在实验室和真实世界探索? 我们世界的某些方面将永远无法预测,而相比机器,儿童能更好地在这无法预测的环境下学习。许多实验室研究发现孩子们会基于环境中最不确定的内容,从而引导自己的探索。但是,在现实世界中,AI永远是在确定性的结果上进行学习,一个程序式的AI以不确定性为导向的探索可能会失败。 例如,让一个被动输入程序和代码的机器人解读环境中的不确定因素,很有可能会陷入困境,比如无法解读破碎电视上的雪花屏幕,被一系列始终无法预测和令人出奇的模式所困扰。即使现在机器翻译已经不足为奇了,但是机器人还是没办法像人工翻译一样掌握不同语言中的精髓。当机器人听到人类的所谓的笑话时,运算核就会嘀咕,"这个梗到底是什么"。 而人类的小孩不会在新的情境中卡住,相反,孩子们甚至可以主动和复杂的外部刺激互动。虽然情境并非完全可预测,但孩子还能从中学习、提问,来得到反馈。孩子的内在动力是关键 除了天生有动力去了解他们的不确定环境外,孩子们还非常有动力,通过控制他们自己的行为来控制环境,所以你能看到孩子们十分热衷于弄出很大的声响。这些声响在他们看来,都是环境给予他们反馈的声音。 比如,婴幼儿在玩耍时通常会做出一些看起来似乎毫无目的的行为:将手指或脚趾放在嘴里,将物体撞在桌子上,或者堆放或撞倒障碍物。然而,通过上述玩耍行为,婴儿可以从他们自己的动作和他们看到、听到和感受到的变化中学习如何控制和改变环境中。 实验室研究表明,婴幼儿偏爱那些依自己行为而变化的玩耍情景。孩子会被可以施加控制的玩具所吸引,比如用自己的手拿起一个玩偶,这让他们体会到了"控制"感,加强了孩子们玩耍的内在动力。这样投入-产出模式的学习和目标导向的行为,都为至关重要的认知过程提供了基础。 这就是为什么每个家长都会经历孩子一天问"十万个为什么"的阶段,问出的问题都是孩子内在动力的体现。内在动力也是孩子成长和学习的关键,因此保留孩子的好奇心对他们的成长是非常重要的。 对于AI人工智能而言,这种"控制"感,以及随之而来的内在动力,则难以探究和定义,也是计算机领域的学者们特别关注的问题。将人类的内在动力植入AI 发展心理学家提出人类学习受到内在动机的支撑,内在动机(intrinsic motivation)是指做某事的内心驱动力,与奖励无关,是人类从出生就自带的。同时对好奇心和主动性的研究——理解和影响自己环境的驱动力,能够为指导儿童玩耍和探索提供理论方向,并且加速他们的学习。 近些年,越多越多的AI科学家发现,发展科学对儿童学习方式的深入研究可能是建立AI处理器的关键,这样AI处理器就可以在没有明确奖励的情况下学习。 研究发现也表明,探索内在动力,比如好奇心、孩子玩耍中的情境处理驱动力,是发展人工智能的关键过程。除了内在动力外,研究儿童认知能力发展的其他特征,例如重新激活睡眠中的先前经历、灵活运用不同的学习策略以及监测和推断他人目标和意图的能力,也可能促进机器学习的速度和灵活性。 所以,研究孩子的思维成长、思考过程和回应,真的能助于发展人工智能。人工智能的最新进展表明,当将预测和控制环境的驱动力植入控制人工行为的算法中时,类似的内在动机也可能促进机器学习,它们学习速度更快并且可以解决更广泛和复杂的问题。 由于在AI领域取得了飞速发展的许多算法创新都与人类学习发展的过程具有很强的相似性,因此发展性科学(developmental science)很有可能是人工智能起源的关键。 毕竟人类是世界上最有智慧的生物,在千百万年的进化过程中,地球漫长的岁月把智能的种子撒在了我们的基因里面,别小看家里玩泥巴的小人啦,这或许是人工智能苦苦追逐却永远无法达到的高度了。搜图编辑 21/ 50 哈佛脑科学海归团队创立的自闭症康复教育平台