AI為何"學不會"：認知科學揭示自主學習的三大盲區

導讀：當前AI系統依賴海量人工標注數據，而人類嬰兒僅憑極少輸入便能自主習得語言與常識。認知科學家Emmanuel Dupoux團隊最新研究指出，這一鴻溝源于AI缺乏"內在驅動"的學習機制——他們提出了一條融合認知科學與機器學習的可行路徑。

2026年3月16日，巴黎高等師范學院認知科學實驗室主任Emmanuel Dupoux聯合兩位合作者在arXiv發布預印本論文《Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science》。這篇長達2827KB的研究直指當代人工智能的核心悖論：盡管大語言模型消耗了互聯網級別的文本數據，卻仍未展現出人類兒童般的自主學習能力。

研究團隊從發展心理學與認知神經科學中汲取靈感，系統對比了人類嬰兒與深度學習系統的學習模式差異。他們發現，當前AI的"學習"本質上是一種被動優化過程——模型被投喂預設數據集，通過反向傳播調整參數以最小化預測誤差。而人類學習則是主動探索的過程：嬰兒會自主決定關注什么、嘗試什么、從哪些反饋中學習。

"目標缺失癥"：AI不知道自己要學什么

論文指出，人類認知發展的關鍵特征在于"內在動機系統"的存在。嬰兒天生具備好奇心，會被新奇、不確定或超出當前能力邊界的刺激所吸引。這種自發的注意力分配機制確保了學習效率——他們無需外部指令便能識別值得學習的目標。

相比之下，現代AI系統完全依賴外部定義的目標函數。「當前機器學習范式將目標設定為人工工程問題，」Dupoux在文中寫道，「模型被告訴要優化什么，而非自己發現應該優化什么。」這一設計導致AI在面對開放環境時表現出系統性脆弱：當訓練分布與部署環境出現偏差，模型缺乏自主調整學習目標的能力。

研究團隊援引了發展心理學的經典發現：12個月大的嬰兒在" preferential looking"實驗中，會顯著延長對違反物理規則事件（如物體穿過固體表面）的注視時間。這種自發的好奇心驅動他們構建關于物體恒存性、因果關系的內部模型——而無需任何顯式監督信號。現有AI架構中不存在等價機制。

"經驗瓶頸"：AI無法生成自己的訓練數據

第二個核心差異在于經驗獲取的自主性。人類通過物理行動與世界互動，其感知輸入是自我生成的函數：嬰兒伸手抓取物體以驗證抓握預測，跌倒后調整平衡策略。這種"感知-行動循環"創造了高度結構化的學習信號，其中因果鏈條清晰可追蹤。

論文尖銳批評了當前"大數據"范式的認知謬誤。「互聯網文本是人類認知活動的產物，而非認知活動本身，」作者指出，「模型學習的是思維的痕跡，而非思維的過程。」這解釋了為何GPT類模型能流暢生成語法正確的句子，卻在物理常識推理上頻頻失效——它們從未經歷過將杯子打翻、觀察液體灑落的具身經驗。

研究團隊提出"自主經驗生成"作為關鍵改進方向。他們認為，AI系統需要具備在模擬或真實環境中執行行動、觀察后果、并將結果整合進學習循環的能力。這與強化學習有表面相似性，但本質區別在于：行動的選擇應由內在好奇心驅動，而非外部獎勵函數塑造。

"社會學習"的空白：AI沒有文化傳遞機制

人類學習的第三個維度常被AI研究忽視：社會性。兒童不僅從直接經驗中學習，還通過模仿、教學互動、語言交流高效獲取累積性文化知識。這種"文化學習"機制使個體無需重新發現火的使用或微積分原理，便能站在集體智慧之上。

然而，當前AI的"模仿學習"是統計層面的表面復現，缺乏對意圖、信念、教學信號的理解。Dupoux團隊強調，真正的社會學習需要"心智理論"能力——推斷他人行為背后的目標與知識狀態。這恰恰是當前多模態大模型的盲區：它們可以生成符合教學場景格式的文本，卻不理解"教學"作為一種有意圖的知識傳遞行為。

論文特別討論了大型語言模型中的"涌現"現象。作者承認，規模擴展確實帶來了未曾明確編程的能力，但警告這不應與"自主理解"混淆。「統計關聯的深層模式不等于因果結構的顯式表征，」他們寫道，「模型可能在訓練分布內表現出'理解'的假象，但這種脆弱性恰恰證明了其非自主性。」

融合路徑：從認知科學到工程實現

研究并未止步于批評。Dupoux團隊提出了一套可操作的改進框架，將認知科學洞見轉化為機器學習的技術需求。核心建議包括：開發內在好奇心驅動的注意力機制，構建支持自主探索的具身模擬環境，以及整合社會學習所需的意圖推理模塊。

最具爭議性的提議或許是"發展式AI"——模擬人類認知發展的階段特性，從簡單感官運動技能逐步構建更抽象的認知能力，而非直接訓練端到端的巨型模型。這一思路與當前"規模即一切"的行業主流形成鮮明對照。

論文的發表時機頗具意味。就在2026年初，多家科技巨頭宣布下一代模型訓練成本突破百億美元門檻，而數據枯竭已成為公開討論的行業焦慮。Dupoux的研究暗示，單純追加算力與數據可能觸及收益遞減的邊界，范式層面的創新才是突破瓶頸的關鍵。

認知科學與人工智能的交叉并非新話題，但Dupoux團隊的系統性論證為這一對話注入了新的緊迫性。當業界沉迷于參數規模的軍備競賽，這項研究提醒我們：真正的智能或許不在于消化多少數據，而在于如何像人類嬰兒那樣，以極少的先驗和極大的好奇，自主地探索這個復雜世界。