美國紐約大學研究人員開展了一項實驗，他們通過一個孩子的眼睛和耳朵來訓練多模式人工智能（AI）系統，使用的數據來自孩子6個月大到兩歲生日期間的頭戴攝像頭的視頻記錄。發表在最新一期《科學》雜志上的這項研究表明，該模型或神經網絡實際上可利用孩子經歷的有限片段，學習大量的單詞和概念。也就是說，視頻只捕捉了孩子大約1%的清醒時間，但這對于真正的語言學習來說已經足夠。

GPT-4等AI系統現在可學習和使用人類語言，但它們從海量的語言輸入中學習，遠比兒童在學習如何理解和表達語言時接受的要多。最好的AI系統訓練的文本數量達到數萬億字，而兒童每年只能收到數百萬字的文本。

由于數據存在巨大差距，研究人員一直懷疑AI的最新進展能否反映出很多有關人類學習和發展的信息。此次，研究團隊從孩子6個月大開始，到25個月大結束，每周通過頭戴式攝像機，捕獲其第一視角視頻并分析。他們共使用了超過60小時的視頻素材，包含大約25萬個單詞實例（即所傳達的單詞數量，其中許多是重復的）。這些單詞實例與孩子在說出這些單詞時所看到的視頻幀相關聯，包括進餐、讀書和玩耍等各種不同的活動。

經過訓練后，團隊對模型進行了測試。他們向模型提供目標單詞和四個不同的圖像，要求它選擇與目標單詞匹配的答案。結果表明，該模型不但能夠學習孩子日常經歷中存在的大量單詞和概念，還可以將它們概括為視覺實例，哪怕實例與模型訓練中看到的完全不同。

（記者張夢然）