面對一個問題，
該如何找到對應的解決方案呢？

這個問題聽起來深刻或玄奧，但事實上，倒也不至于抽象到讓我們束手無策。無非兩種情況，類似問題你之前見過，因此可以直接或調整后使用已知的解決方案；又或者你對問題的背景一無所知，但你還可以隨機嘗試，摸索以獲取信息。

這個問題雖然抽象，卻與AI構建密切相關。就像啟動一臺沒有預裝軟件的計算機，沒有預設的問題解決策略，你必須自行設計解決方法。那么，如何確定在不同情境下的最佳解決方案呢？

一種方法是觀察人類的真實行為。在理論物理學家肖恩·卡羅爾（Sean Carroll）與心理學家/哲學家艾莉森·高普尼克（Alison Gopnik）的這場對談中，我們會了解到人類在不同生命階段采用的不同解決方案。

簡而言之，嬰兒更具創造力，思維更加自由，他們會嘗試各種事情，注意力難以集中——而這恰恰是優點而非缺陷。嬰兒難以專注于一件事，這反映了他們通過多種互動方式學習世界的本質。

相對而言，成年人則會對事物進行特定優化，理想情況下，當你30多歲時，將掌握大量問題解決策略，更傾向于完善已知方法而非隨機探索新方法。當然，并不是說你做不到，也不是說這不可能，而是你在一些技巧上確實比其他人更擅。當生育高峰期過去后，你可能重新變得不那么僵化。這或許是理想狀態，盡管我們都知道有些人未能達到。

這一現象的核心啟示在于：分工不僅存在于團隊合作中，也存在于個體的不同生命階段之中。在接下來的討論中，我們將探討一些可能與AI和計算機編程密切相關的經驗，并思考如何最好地理解世界?，F在就讓我們開始吧。

肖恩·卡羅爾

Sean Carroll

約翰霍普金斯大學自然哲學教授

Mindscape播客主理人

他在匹茲堡大學馬克·索默實驗室獲得認知神經科學博士學位。隨后在范德堡大學Jeffrey Schall, Geoff Woodman, and Gordon Logan實驗室從事博士后研究，研究運動皮層和基底神經節神經群活動如何影響自由行為小鼠的自然行為。

艾莉森·高普尼克

Alison Gopnik

加州大學伯克利分校心理學教授

哲學客座教授

牛津大學實驗心理學博士，兒童學習和發展研究的領導者，首位從兒童意識的角度深刻剖析哲學問題的心理學家，心理理論創始人之一，第一位受邀在美國心理學會開設講座的兒童心理學家。她曾獲得心理科學協會終身成就獎等多項榮譽，并曾擔任該協會主席。她的著作如《搖籃里的科學家》（The Scientist in the Crib）《寶寶也是哲學家》（The Philosophical Baby）以及《園丁與木匠》（The Gardener and the Carpenter）等，深入探討了兒童思維與學習模式，對學術界和公眾認知產生了深遠影響。

目錄：

01 兒童與成人認知的本質差異

02 進化視角下的童年期演化邏輯

03 嬰幼兒的主動探索學習

04 兒童認知模式與因果革命

05 神經科學與生命周期視角

06 AI開發的認知啟示

07 哲學追問與未來研究方向

兒童與成人認知的本質差異

肖恩·卡羅爾：艾莉森·高普尼克，從你的研究中可以提煉出一個觀點：兒童、小孩、嬰兒不應被簡單視為“未成形的成年人”，他們實際上以不同的方式思考。這樣表述是否恰當？

艾莉森·高普尼克：完全正確。長久以來，人們總認為35歲是心理學家或哲學家的智慧巔峰。隨著年齡增長，我們會逐漸成長為那個“了不起的人”，并且隨著年齡進一步增長，我們又會逐漸衰退。但從進化視角看，這毫無道理。越來越清晰的是，兒童的智能與典型成人存在本質差異，老年人的智能也可能具有獨特性。因此，這更像是不同種類的智能之間的權衡，而不是有一種所謂的智力，我們或多或少地擁有它，一開始擁有得較少，以后擁有得更多。

我長期研究的這一理念源自計算機科學，即不同智能類型間的權衡——尤其是所謂“利用型智能”（exploit intelligence）與“探索型智能”（explore intelligence）的權衡。我認為，童年本質上屬于“探索型智能”，這與成人的“利用型智能”截然不同。

最初提出這一觀點時，我只是對那些自詡為智慧頂點的35歲哲學家和心理學家略有微詞。隨著我的孩子長大并有了孫輩，我的看法徹底反轉。時至今日，我感覺：“相比那些可憐的35歲年輕人們，孩子們和祖母們才是真正享受有趣人類活動的人?！?/p>

人類在青春期前和絕經期后
才是完整的人類。

中年階段只是被美化的靈長類動物，我們正在做的事情所有靈長類動物都會——忙著在等級制度中尋找定位、交配、爭奪資源等。只有在幼年和老年時，我們才能進行心智理論、世界探索、因果推理、文化傳播和大規模敘事等真正“人性化”的活動。所以，“祖母和孩子們確實應該低調些，畢竟我們才是享受樂趣的人。工作的事情還是讓35歲的人承擔吧?！?/p>

肖恩·卡羅爾：究其原因，是因為我們正處于傳統語境下或名義上的“成年黃金期”——我們更加專注、執行力更強，但靈活性與創造力不足。

艾莉森·高普尼克：計算機科學認為，解決“高維任務”時，一個問題有很多不同的可能解決方案，這些解決方案在許多不同維度上各不相同。你可以稍微調整一下你已經在做的事情，看看這是否會讓事情變得更好一些。這是嘗試解決問題的一種非常有效、有效的方法。如果這種改變奏效，那就可以嘗試這一調整。這就是基本的“利用型策略”，也就是成年人慣用的策略。

當然，在這個領域中可能還有另一種解決方案，它與我們目前的方案相去甚遠。如果你只是不斷地做這些小的調整，你或許永遠不會達到目標。不妨縱身一躍，嘗試更多的事情，不管是否有用，只為看看世界究竟是如何運作的。在計算機科學中，這就是低溫搜索（low temperature search）和高溫搜索（high temperature search）之間的區別。

想象一下，空氣分子的運動，要么非常緩慢地移動，要么在空間中隨機彈跳。計算機的解決方案是平衡兩種策略。不能同時執行兩者，那又該如何？

事實證明，最好的策略是從大規模的、隨機的野生搜索開始（當然，這將花費更長的時間，而且很多時間花在了思考實際上沒什么益處的事情），然后再逐漸冷靜下來，開始進行更集中的搜索。計算機科學家們將這種策略稱為“模擬退火”（simulated annealing）。這就像加熱金屬后再冷卻使其更加堅固的過程。我認為，童年本質上是進化“模擬退火”的方式。

“專注且面向輸出的”與“嘈雜、跳躍、隨機的行為”，不用想也知道哪種描述更適合4歲的孩子。孩子們會說奇怪、瘋狂的話，經常進行奇怪的假裝游戲，做些乍看毫無意義的事情，從某些角度來看，這可能看起來像是一種缺陷，但這確實是處于探索模式下最想做的事情。這意味著，至少在某些情況下，兒童比成年人更具創造力。

我們通過實證研究證明了這一觀點。例如，給兒童和成年人設置同一類問題，這些問題要么有顯而易見的解決方案，要么需要提出非常規假設。不出所料，當解決方案比較明顯時，成年人更能快速找到答案。但面對需要非直觀假設的問題時，四歲兒童的表現反而優于大學生，更能找到正確答案。

如此看來，4歲兒童（某些方面）比成人更有創造力。但問題在于，當我們談論成人的創造力時，它包含兩個層面：第一層是生成大量可能性，第二層是從中篩選出最優解——關注有價值的選項而非無意義的干擾。這兩者并不容易直接比較，前者產生很多解決方案，想到很多可能性，這是兒童擅長的領域，而后者需要成人的執行型利用能力。

偉大的哲學家約翰·洛克（John Locke）曾提出，人類智能分兩類——“機智”（wit）與“判斷”（judgment），機智是生成新想法的能力，判斷則是篩選優質想法的能力。如此看來，兒童似乎擁有極強的機智，而判斷相對較弱。

?約翰·洛克（John Locke）是17世紀英國著名的哲學家、思想家，被譽為“自由主義之父”。他提出了“天賦人權”“分權制衡”等重要思想，為現代民主政治和自由主義理論奠定了基礎。他的著作《政府論》等對后世的政治哲學和社會思想產生了深遠影響。

進化視角下的童年期演化邏輯

肖恩·卡羅爾：如果我們認可進化賦予了人類生命周期中這種精妙的“時間分工”，為什么我們需要面對這樣一個事實，即嬰兒極度依賴他人，需要漫長時間才能自立。能否談談這種現象在其他物種中的情況？這是偶然現象，還是某種優化策略的結果？

艾莉森·高普尼克：是的，這很有趣。如果你觀察各種各樣的物種，會發現從昆蟲（甚至植物）到靈長類和哺乳動物，智能水平、學習能力、大腦使用效率與其童年時長呈正相關（從人類視角衡量）。

這首先就體現在鳥類身上，如果你觀察像鴉科（corvids）或烏鴉（crows），這些鳥類極其聰明，雛鳥期長達一到兩年，需要一直被照顧；而家雞幾周內就成熟了，盡管這說法可能得罪養雞愛好者，但雞確實不算聰明。更準確地說，它們只擅長做如啄食谷物之類的事情，它們從出生起就非常擅長做這些事情，但它們不擅長學習。

從“探索-利用”視角看，這種差異合乎邏輯。對于生活在多變環境中需要不斷適應新事物的生物而言，它們需要經歷一個探索期才能進入發展階段。在這一時期，個體的生存能力較弱，需要依賴同物種的成年成員照料，以獲取充足的營養供給，支撐這段高強度學習期的能量需求。這似乎是一種進化策略。

卡路里的消耗頗具啟示性。事實證明，人類大腦的能量消耗驚人——即便是成年人，大腦也要消耗全身20%的熱量，這意味著大腦堪稱一臺高耗能的計算設備；而對于四歲兒童而言，這一比例竟高達60%，甚至接近70%。從這個角度看，一名普通四歲兒童簡直就像《神秘博士》里的星際生物的存在——他們帶著一個仿佛永不饜足的“饑餓”大腦穿梭世界，既驅使我們不斷投喂花生醬三明治以滿足其能量需求，又要求海量數據喂養其認知發展。

肖恩·卡羅爾：這觀點很有意思，因為它并非純粹物理層面的解釋——與腦容量等直觀指標無關。若我們允許自己以詩意的視角，將自然設計的動力歸因于某種聰明的智能設計，就會發現：這種刻意設置的生存困境恰有其深意，它迫使孩童在探索中培養創造力，而這種能力終將在未來人生階段收獲豐碩回報。

艾莉森·高普尼克：確實如此。這種觀點的核心在于，生物學和進化論本身充滿復雜性，且與其他動物性狀存在關聯。例如，有些聰明的動物并沒有漫長的童年期，比如頭足類動物中的章魚。

不同物種似乎演化出各異的“探索-利用”解決方案：某些昆蟲如螞蟻與蜜蜂通過群體分工實現，例如工蜂負責勞作而偵察蜂專注探索。雖然具體策略千差萬別，但這種機制在從昆蟲到脊椎動物的廣泛物種中呈現出驚人普遍性，恰恰印證了其承載的深層自適應性價值。

肖恩·卡羅爾：這種分工是否是普遍現象？我記得邁克爾·穆圖克里斯南（Michael Muthukrishna）曾在節目中提過一個心理學經典實驗：讓兒童和黑猩猩將棍子插入盒子獲取獎勵；當發現其中一根棍子無效時，兒童并未意識到問題，而黑猩猩卻能調整策略。這或許源于兒童對成年人的認知信任機制。

艾莉森·高普尼克：確實如此。這也從另一個維度揭示了人類漫長的童年期與特有智能的深層關聯——我們不僅是社會性學習者，更是文化傳承者。人類通過代際傳遞信息的規模遠超其他物種，雖然主要發生在父母照料兒童的場景中，但值得關注的是這種機制背后的平衡法則：單純模仿他人行為并無意義，只會導致文明停滯。因此，在代際傳承鏈條中，總需要有人既能傳承既有知識，又能突破常規進行創新。

多項研究表明，兒童在模仿過程中會進行權衡，“這件事的實際邏輯是什么？”“示范者的可信度如何？”有一個可愛的實驗：當實驗者宣稱“我將演示操作方法”時，兒童更傾向于出現你提及的“過度模仿”現象，即完全復刻示范動作。但若實驗者改用開放式提問：“哇，快看這個！我也不知道這是怎么回事，你知道嗎？”兒童則更傾向于探索，包括以這些看似不合理的方式探索，反之亦然。

?圖源：yzhu.io

我們也做過一些實驗，若讓兒童接觸一臺機器，我們常用的是“布克特探測器”（Blicket detector），當他們發現紅色積木能激活機器后，而成人聲稱“藍色積木才是正確選擇”時，兒童會精準地在自身觀察與成人陳述之間尋找平衡。他們既不完全依賴自己的發現，也不盲從權威，而是根據兩種解決方案的概率權重提出折中方案。

所以，我承認我們確實是社會人這一事實，但在文化和社會進化的過程中，我們必須平衡模仿和創新——這樣做相當復雜，我認為這在兒童的特殊智力中也發揮作用。

肖恩·卡羅爾：這讓我聯想到指導研究生的場景，你會告誡他們“要勇于創新，但也要研讀文獻”，其中存在平衡，不能只想著盲目地追隨其他人已經做過的事情。

艾莉森·高普尼克：當前我們在重點研究照護行為中的認知維度，尤其是當人類承擔養育責任時展現的"照護的智慧"。這種智慧的核心在于，如何為被照護者搭建通往自主性的階梯。

作為教育者、治療師或家長，既不希望他們盲目模仿，也不愿看到他們因循守舊，更不能任其誤入歧途。這種平衡藝術在不同照護場景中具有普適性。不論是兩歲孫輩的祖母，還是指導博士后研究員的導師，本質上都在解決同一認知難題——如何在文明傳承中平衡模仿與創新。正是這些照護者的存在，文明傳承才得以真正實現。

近期我在研究與寫作中發現一個有趣現象——祖父母（尤其是祖母）在文化傳承中扮演著舉足輕重的角色。相當多的人類學證據表明，當涉及文化傳播時，老年人而非父母往往承擔主要傳遞者角色。父母更多努力處理日常事務，維持子女溫飽與安全，而祖父母則通過給孫輩朗讀《納尼亞》系列書籍、哼唱百老匯經典曲目等精心設計的文化儀式，他們專注于完成這種文化傳播。當然，就像我們的童年特別長，我們的絕經后期（老年期）也很長，唯有虎鯨種群呈現出類似的演化奇跡。

虎鯨是為數不多在絕經后仍能長期存活的哺乳動物，它們的祖母鯨群會持續傳遞生存智慧。當食物匱乏時，正是這些老年雌鯨帶領鯨群尋找生機——我記得二十年前某處海域就曾出現這種現象。這種跨代智慧傳遞機制，展現了區別于常規成年智能的獨特認知模式。

肖恩·卡羅爾：這聽起來簡直可愛得不像真的?；ⅥL真的把這么多責任交給祖母嗎？

艾莉森·高普尼克：嗯，我喜歡這個例子的原因就是，它顯示了傳遞食譜是非常重要的，而這是為祖母們設計的進化。

?不再繁殖的虎鯨祖母能顯著提高孫輩的存活率，一項研究分析了378只虎鯨孫輩，發現失去祖母的幼鯨死亡率是祖母健在的4.5倍，尤其在鮭魚稀缺時影響更明顯(PNAS，2019).照片：Robert Pittman/NOAA via Wikimedia Commons

嬰幼兒的主動探索學習

肖恩·卡羅爾：人類嬰兒是如何構建世界觀的？

艾莉森·高普尼克：過去20-25年間，我們這些兒童發展學家主張：兒童發展本質上類似科學理論的構建。乍一聽很荒謬，畢竟幼兒并非真正的聰明的科學家，但當你仔細觀察他們理解世界的方式時，會發現這與科學理論的迭代很相似。從計算視角看，這是一種極佳的獲取世界信息的方式。嬰幼兒從極小時期開始就在探尋因果關系，這對世界觀構建至關重要。

通過具有意外因果屬性的"布利克特探測器"實驗裝置可以證明，即使是蹣跚學步的兒童也能對這類系統的運作機制做出正確推斷。他們似乎建立了這種"因果模型"（有時稱為直覺理論），會隨著新數據的輸入不斷修正其理論體系。我們能夠系統性地驗證這一點，比如，當向幼兒展示探測器的工作原理后，其推理模式與優秀科學家高度一致。

當然，理解機制原理尚屬次要，更重要的是解讀周圍的人是如何工作的。早在80年代，我與同行發展了“心智理論”（theory of mind）研究，旨在揭示嬰兒如何理解他人思想。我們發現，嬰兒的初始認知遠超我們預期，且嬰兒會持續學習，如從1-2歲開始理解“他人可能有不同需求”，3-6歲逐漸掌握“他人可能持有不同信念”。這些都是非常深奧的東西。

最近，發展出了一項非常有意思的工作——兒童直覺社會學（children's intuitive sociology）。他們也會思考一些更深層次的問題，例如，當他們是盟友時，會以某種方式行事，而當他們是敵人時，則會以另一種方式行事。若某個生物體型更大、處于支配地位，他就能如愿以償。

回到照護主題，我們現在試圖弄清嬰兒如何理解照護行為。已有證據表明，嬰兒甚至能識別“什么樣的人可能成為合格的照顧者”。因此，在我談到他們的無助時，其實有一種有意思的糾結在里面。如果你是那種無助的生物，了解他人、了解愛、了解他人是什么樣的，這對你的生存來說真的很重要。當然，作為成年人，這仍然是我們學習的最重要的事情。

肖恩·卡羅爾：我想讓聽眾更直觀地理解“布克特探測器”，顯然它在你的心理學實驗中發揮了重要作用。

艾莉森·高普尼克：我們從20年前開始從事這項實驗，當時所有裝置都是自己制作的。在那些日子里，我們在心理學系有一家工坊（如今已不復存在）。我們會告訴店員：“我們需要一個簡易盒子，當往上面放置物品時，他會隨機亮燈并播放音樂?！蔽覀冊O計了其他的變體，比如齒輪變體，當輕按開關后齒輪會轉動，然后發生其他的事情，就像組裝的魯布·戈德堡（Rube Goldberg）機械。

?布克特探測器以及使用的蝴蝶/花朵刺激物裝置. doi: 10.3389/fpsyg.2020.02210

有意思的是，盡管我們曾認為“用觸控屏實現這些功能會更高效”，但將實驗裝置電子化后，孩子們卻完全不感興趣。他們其實需要真實的東西。但我們發現，現在三四歲的孩子就已經能理解交互式屏幕了。對更小的孩子而言，實體裝置仍是首選，而大齡兒童已能接受“屏幕裝置同樣具有因果效力”。

肖恩·卡羅爾：如你所說，“1歲以下的嬰兒沒有心理理論，2歲才開始有”。那么，這是否意味著存在某些認知發展的里程碑或階段性轉變？

艾莉森·高普尼克：是的。正如我一開始所說的，從出生起，嬰兒就表現出對人臉的特殊關注與解讀能力，且以其他靈長類動物所不具備的方式進行模仿，這表明理解他人確實很重要。9個月大的嬰兒已會通過指物進行交流，如果你沒有回應他們的指示，他們會焦躁地重復“??！那里！”這表明他們意識到他人可能與自己共享視覺焦點。

傳統觀點認為“心智理論”到4-5歲才形成，但這并不準確。兒童只是在不同領域構建了不同的認知框架，就如同物理學體系一樣。值得注意的是，你可以在特定年齡點觀察到這些變化，例如在約9個月時出現的認知革命，可能與生理的成熟有關。但更關鍵的是，我們還沒有充分認識到，即使是嬰幼兒，也是積極、主動的學習者。他們的行為不僅是觀察統計規律，更是通過實驗探索世界。

你想一下，即使是新生兒，他們也會看著你，會微笑，會觀察他們的行為產生的影響，而當嬰幼兒成長至蹣跚學步階段時，這種探索行為已然構成了他們完整的生命體驗。他們一直在不斷地探索，盡管我們常稱之為“到處搗亂”。而當物理學家做這些事情時，就叫作是一名“優秀的實驗物理學家”。

我們近年嘗試將兒童學習與AI（如大語言模型）對比。AI和這些小孩子所做的事情之間有什么關系呢？

我認為關鍵區別在于，兒童主動探索世界以獲取信息，并根據新知動態更新認知體系；而不是像大模型一樣，只是進行模仿。我曾經論證過，大語言模型本質上只是從人類既有知識中提取模式（其本質是文明傳承的模仿環節），而兒童卻能突破既有框架，通過主動實驗發現新規律、驗證新假設。我們認為，這才是真正重要的東西，這導致孩子們學得更多、學得更快，且相比AI消耗卡路里更少。

肖恩·卡羅爾：這有點像因果推理中“簡單地尋找相關性”與“對事物進行干預”之間的區別。跳脫出數據集，“如果我這樣做，接下來會發生什么？”

艾莉森·高普尼克：確實如此。我們與科學哲學家及計算機科學家展開了長達二十年的合作，試圖破解科學領域的因果推斷難題。核心洞見就是：單純依賴統計相關性是無法實現真正的因果推理的。

?大衛·休謨（David Hume，1711—1776）是18世紀蘇格蘭啟蒙運動時期的著名哲學家、經濟學家和歷史學家。他是一位經驗主義者，認為所有知識都源于感官經驗，并提出了著名的“休謨叉”（Hume's Fork），將知識分為“觀念的關系”（a priori）和“實際的事實”（a posteriori）。休謨對因果關系的分析尤為著名，他認為我們無法直接感知因果關系，而是基于習慣和聯想推斷出因果聯系。此外，他還探討了自我意識，認為自我是不斷變化的感知集合，而非固定實體。圖源：digital.nls.uk

那么，因果推理與相關性有什么不同呢？這是休謨（Hume）*時代的一個傳統哲學問題。當前學界的共識是：要建立可靠的因果關系，必須通過主動干預實驗。唯有在現實世界中施加變量、觀測結果差異，才能確定事件之間的因果。

事實上我們在這方面已經做了一些工作。我認為，即便是嬰幼兒，當他們接觸“百寶箱”（busy box）這類裝置時，便能通過自主操作建立對物理世界的認知。百寶箱中存在很多因果可能性，可以用來做不同的實驗。它遠比標準回旋加速器便宜得多，但對于嬰幼兒而言卻能發揮相同的作用。這種實驗方式可以讓你真正地在實驗中弄清楚世界是如何運作的。

正如我們所說的，心理理論與直覺心理學在認知發展中極其重要，照料者實際上充當了嬰兒的“實驗對象”。從某種意義上說，這些蹣跚學步的“小心理學家”正以照顧者為觀察樣本，持續進行著社會性認知實驗。例如“可怕的兩歲”（the terrible twos）階段，嬰幼兒通過主動行為引發照料者反應，然后進行觀察。

?百寶箱. 圖源：modernnursery.com

兒童認知模式與因果革命

肖恩·卡羅爾：我們播客曾邀請過朱迪亞·珀爾（Judea Pearl）*，當時他直言不諱道：“嬰兒就是通過觸摸物體并繪制因果圖譜?！?/strong>我當時并沒有意識到這就是字面上的意思。

?朱迪亞·珀爾（Judea Pearl）是以色列裔美籍計算機科學家和哲學家，加州大學洛杉磯分校教授，被譽為“貝葉斯網絡之父”。他因發明貝葉斯網絡、定義復雜概率模型的數學形式以及開發因果推理的形式化框架（包括do-演算和因果層次模型）而聞名，這些工作為人工智能從關聯推理向因果推理的轉變奠定了基礎。2011年，ACM授予他圖靈獎，以表彰他對人工智能的基礎性貢獻。

艾莉森·高普尼克：完全正確。我們的研究工作建立在珀爾開發的形式化框架之上，比如將因果貝葉斯網絡與兒童解決因果問題的方式相對照。我們發現兒童構建因果模型的過程與因果圖模型（causal graphical models）的理論預測高度吻合。具體而言，他們通過觀察數據構建因果圖模型，并基于此干預決策。

但無論是珀爾還是科學界，仍有一個未解難題：如何確定“最有價值的實驗”？

朱迪亞的理論框架能告訴你：“當獲得某個實驗結果時，對應的因果圖應該是什么樣”。但如何決定最初該測試什么？我們發現許多傳統實驗的金科玉律（比如必須保持其他變量恒定、每次只能改變一個變量）對嬰幼兒并不適用，甚至可能并非最優科學范式。

這引出了一個很棒的開放性問題：實驗設計的元規則究竟是什么？

?比較成人、兒童和強化學習代理在類似Minecraft的Crafter環境中的探索行為，分析了熵、信息增益和賦權等內在目標與人類探索行為的關系。arXiv:2503.23631v1 [cs.AI] 31 Mar 2025

我們已開始將兒童與AI置于相同實驗環境進行觀察。我們所做的是將孩子們和AI智能體分別放置在《我的世界》（Minecraft）這個環境中，然后讓他們“弄清楚發生了什么”。即使是相對年幼的孩子也會以理性的方式探索那個環境，而不僅僅是隨便嘗試。他們以一種讓他們能夠弄清楚環境如何運作的方式做事，而且他們比AI更擅長這一點。

肖恩·卡羅爾：有意思。傳統科研范式要求保持其他變量恒定、僅改變單一變量，這是有道理的。但這僅僅是因為改變單一變量更簡單嗎？實際上它是否不如協同干預更有效？

艾莉森·高普尼克：是的。這其實是個非常有趣的技術性問題——關于何時應當遵循某種規范性準則（即每次僅改變一個變量進行實驗）。雖然傳統方法認為這是真理，但事實上同時改變多個變量有時能獲得更大信息量的結果。畢竟要保持其他變量恒定而只改變一個變量，操作難度極大。想想看，孩子們擺弄著忙碌盒子，卻能通過各種不同方式的探索高效學習，這對AI、科學、發展心理學來說都是一個很有趣的問題，而他們究竟是如何做到的？

肖恩·卡羅爾：把這些非常年幼的孩子描述成貝葉斯主義的良好遵從者，有多大準確度呢？

艾莉森·高普尼克：我們所做的本質上是將貝葉斯推斷的各種理論框架轉化為實踐，例如向兒童提供信息、假設基線概率，再給予新數據使其更新假設，而他們總能以恰當方式進行正確更新。

另外，無論是我的實驗室還是理查德·阿斯林（Richard Aslin）、珍妮·薩弗蘭（Jenny Saffran）團隊在九十年代的研究都指出：兒童非常擅長做統計。這令人驚訝，畢竟成年人普遍不擅長概率計算。舉例來說，當展示兩個裝置——A裝置十次中有八次有效，B裝置十次中四次有效——18個月大的嬰兒會選擇有效概率更高的A裝置。即便將概率調整為三分之二與十分之八的對比，他們仍能做出相同選擇。他們似乎能夠下意識地、自然而然地進行數學運算，不知不覺中弄清楚概率是如何運作的。

就這樣，引出了一個難題——兒童的行為模式看似符合貝葉斯推斷機制，但理論上這種計算是不可行的。當面對海量假設時，貝葉斯方法要求逐一驗證每個假設與數據的匹配度，當你假設很多時，這就會花費無數時間。這一問題被稱為搜索問題，沒有人真正解決了這個問題，無論是在統計學、AI還是童年時期。

但孩子們似乎確實能解決這個難題——他們最終成功理解了世界運作規律。他們是如何做到的，這是一個非常有趣的問題。目前我的推測是，主動推斷機制可能是關鍵要素。這不僅僅是被動接收數據并更新假設的過程，而是通過主動實驗探索來構建認知模型。在物理學界，理論家與實驗學家之間總是有一些緊張。從發展的角度來看，我們是團隊實驗者。

神經科學與生命周期視角

肖恩·卡羅爾：關于這種認知機制的神經科學基礎，我們目前了解多少？兒童認知能力的提升，是否與其大腦神經網絡發育存在對應關系？

艾莉森·高普尼克：確實如此。最有趣的是，早期的發育神經科學所發現的與我們今天看到的一致：在發育初期，大腦會生成大量新突觸，形成新的連接；隨后通過髓鞘化加強聯系、強化傳導效率，未使用的連接則被刪減。因此，早期大腦具有超強可塑性，能快速適應新經驗，但功能效率低下，而后期大腦雖執行高效，但不太擅長改變，可塑性也小得多。這種模式就像是“探索-利用”權衡的另一種表現。從經驗上講，觀察大腦發育，有的區域會看到這種非常早期的增殖，有的則是處于后期修剪模式。

肖恩·卡羅爾：視覺系統發育的關鍵轉折期出現在約18個月大時。此時視覺系統完成初步架構搭建，進入穩定階段——這也是為何嬰幼兒視力問題需盡早矯正。而語言區的發展轉折點則延遲至5-6歲，表現為掌握一門語言后，第二語言習得效率顯著下降。前額葉執行功能區的成熟最晚，它在青少年時期還沒有完全定型。這種發育軌跡印證了普遍規律：所有腦區一開始都會產生很多的連接，然后在某個時間點進行加強和修剪。

把話題扯回學術圈，這確實印證了一個現象——那些充滿活力的思想創造者往往是年輕的教職員工和博士后，而非已功成名就數十年的資深教授。

艾莉森·高普尼克：是的。我想很多人都會問的一個問題是，“成年人能否像兒童一樣保持創造力？”現實情況是，即便拋開科研基金不談，實驗室運作確實需要深諳體系規則、經驗豐富的研究者來爭取資助。

以物理學家為例，光實驗就是項龐大工程，需要高度專注力和執行力。因此我們不希望系主任是那種整天迸發奇思妙想的狂人，而需要他們保持專注。但有趣的是，成年人已發展出社會機制來平衡探索與利用，我認為休假制度正是典型案例。我們不會要求科學家閉門造車，我們認為靜休、休假、參加學術會議等事情可以把自己從現有環境中拉出來，進行更大范圍的探索。作為科學家，我們花了很多時間在旅途中，這確實辛苦，但能夠在不同的地方，在不同的環境下，做跨學科工作，以不同的方式思考問題，所有這些似乎都是成年人讓自己變得更有創造力的方式。

AI開發的認知啟示

肖恩·卡羅爾：我們能否將我們從發育中學到的經驗用來構建更好的AI模型？可操作性如何？

艾莉森·高普尼克：這正是我們伯克利AI研究組正在推進的方向。我們嘗試將主動學習、社會學習、因果模型構建等核心理念融入AI系統設計。由于當前大型模型在很多方面都非常有效，因此傾向于認為“只要持續增加算力投入，他們就會更加強大，消耗更多能量，他們會變得越來越好。我們將擁有一個名為‘通用性人工智能’（AGI）的神話”。

但我在與AI研究組交流時發現，每次談到"不存在所謂的通用智能（General Intelligence），無論人工還是自然"時，總能引發聽眾強烈反應。他們認為存在一種單一維度、可以量化的智能，有些人天生具備更多智能，有些人則相對匱乏，并相信智能儲備的持續積累將直接使得其效力增強。

這根本不是正確的認知科學理論或模型。認知科學中的真相其實是：人類認知系統存在不同能力間的權衡機制，而當前的大語言模型（LLM）恰恰缺乏這些核心能力。它們不會主動開展實驗探索世界，無法構建抽象因果模型以生成內容。差別顯而易見，兒童僅憑微量數據即可實現跨情景應用，而LLM需要海量訓練數據卻仍難以實現。

所以，問題在于：孩子們做了什么？這能否用于AI使其更有效？目前情況是，AI與兒童認知水平存在很大的差距，孩子比我們現今擁有的任何AI系統都要強出好幾個數量級。但這正是我們應該探索的方向。

肖恩·卡羅爾：確實如此。對于那些AI樂觀主義者而言，他們只會看到AI在圍棋或游戲中碾壓人類頂尖選手，與他們對話優勢確實很難。我們試著像你剛才那樣說明AI在智能方面的局限性，但這一點似乎有點模糊，很難給它設定一個基準。

艾莉森·高普尼克：機器人領域為例，眾所周知，AI在下棋方面表現出色，但在實際抓取棋子上卻糟糕透頂。如果設計一個游戲環節B，要求AI從地板上撿起散落的棋子并精準歸位，它們的表現依然令人失望。尤其當使用一套全新設計的棋盤（比如《愛麗絲鏡中奇遇記》（Through the Looking Glass）中的棋局*）時，這些棋子無法通過既有訓練數據識別它們。

?在《愛麗絲鏡中奇遇記》中的棋盤是一個巨大的、由田野、河流和森林構成的奇幻世界，整個鏡中世界被設計成一個國際象棋棋盤，棋格由自然景觀劃分，棋子則是故事中的角色。愛麗絲作為白棋卒，從第二格開始，經歷各種奇妙的冒險，最終到達第八格成為王后。這個棋盤不僅是一個游戲場景，還象征著愛麗絲的成長旅程和對規則的探索。插圖：John Tenniel

這正是著名的“莫拉萊斯悖論”（Moravec's Paradox）。這一悖論貫穿AI發展史：那些對人類來說很難的事情對AI來說卻相對容易，而對人類輕而易舉的感知、行動、運動能力，以及兒童探索“布克特探測器”時的因果推理，對AI來說卻很難。

我認為，關于AI智能的所有討論，根本上都存在誤導。這些系統之所以如此有效，根本原因在于它們利用了網絡上數十萬人類為其貢獻文本，并通過某種強化學習機制，從人類的反饋中學習，最終訓練出了這些系統。

你們知道《石湯》（Stone Soup）這個經典兒童故事嗎？故事是這樣的：從前有幾位訪客來到村莊，他們說：“我們想要些食物?！贝迕窕卮穑骸氨福覀儧]有多余的食物可以分享?！痹L客說：“沒關系，我們要煮石頭湯。我們有神奇的石頭。”于是他們架起大鍋，放進幾塊石頭開始煮。訪客說：“看，我們要煮石頭湯了。雖然美味，但如果有洋蔥和胡蘿卜就更好了。不過沒有也沒關系?！边@時有村民說：“我家好像有洋蔥和胡蘿卜?！彼麄兙腿ト矸胚M去。訪客贊嘆：“看，我們的湯因此變得更棒了！就像當年給國王煮湯時加了雞肉效果特別好。您能不能……？”當然，你肯定能猜到后來發生了什么。村民們紛紛貢獻出自己的食物。最終村民感嘆：“太神奇了！我們僅憑一塊石頭就熬出了這么美味的湯。”

如果把這個故事改編成計算機科學的版本可能是：“我們要開發AGI，只需要三個算法——梯度（gradient）、下降（descent）和變換器（transformers），我們馬上就能實現AGI，不過需要大量數據支撐?！庇脩艋貞骸皼]問題！我們在網上發布的所有文字、圖片、書籍和報紙都可以貢獻出來。”技術專家又說：“這真的很棒，但現在我們的AGI還是會說蠢話。要是能通過人類反饋強化學習，讓大家評估AGI的表現并給出反饋，效果會更好?！比藗兓貞溃骸昂冒?，肯尼亞的整個村莊都可以這樣做?！弊詈蠹夹g專家說：“雖然現在我們的智能水平已經很不錯了，但如果能做好提示工程，找到那個能讓系統更聰明的黃金提示詞，你們覺得能實現嗎？”用戶們表示：“我們可以對此進行很多思考?！庇谑堑阶詈?，技術專家宣稱：“看吧，我們早就說過只需幾個算法就能造出AGI?！?/p>

但這種做法卻刻意忽視了系統有效運轉的真正原因——并非算法本身，而是背后海量的人類數據。這些數據來自一群人，他們正在進行四歲孩子所做的那種探索性創造性智能。

?兒童繪本《石湯》 Nelson Price Milburn出版社出版 圖源：Amazon

肖恩·卡羅爾：我認為還有其他構建AI系統的角度，這些角度更側重于建立世界因果模型，甚至進行干預并將其部署到AI中。

艾莉森·高普尼克：確實如此。這也是研究方向之一，但正如我所說的，這非常困難。貝葉斯推斷的嘗試之所以艱難，是因為搜索問題的復雜性。此外，所謂的強化學習，其實就是一個古老的心理學概念“通過行動驗證效果”。

就像實驗室里的小鼠在迷宮中奔跑，有時獲得奶酪獎勵，有時遭受電擊懲罰，最終學會趨利避害。這種技術在棋類AI中發揮了重要作用，系統通過大量自我對弈探索最優策略。但強化學習的致命缺陷，在于其視野過于狹隘。當智能體僅關注“當前行動是否帶來即時收益”時，就永遠無法真正探索世界運行的深層規律。

因此，我認為我們正在探索的最有前景的理念，其實與科學方法高度契合，即學習過程中不應僅計算“效用是否提升”或“能否獲得更多奶酪”，更應該聚焦“此次行動是否比上次獲得更多信息？是否加深了對世界或者系統的認知？”

這意味著我們必須選擇那些能揭示世界運行規律的行為，即便短期內無法獲得直接收益。我們一直在努力地構建一種內在獎勵機制，就像科學家沉浸于探索的純粹樂趣。

這個問題的解決方案是擁有一種強化學習的智能體，但獎勵不是奶酪、效用或贏得游戲，而是發現了新的東西，更多地了解世界是如何運作的。

在開發和AI，我們嘗試了諸多有趣的方法來探索如何實現這一目標。我們目前正在研究一個非常有趣的構想叫做“賦能”（Empowerment），其核心理念在于：當你的行為對世界產生可預測的影響時，就會獲得獎勵。

為此，你會盡可能多地嘗試各種行動，通過改變具體操作來觀察世界的不同變化。這種過程充滿驚喜與趣味，自然會激發重復探索的欲望，也會希望盡可能多地進行不同類型的行動，盡可能多地建立類似的關系。如果過了一段時間你感到無聊，就會嘗試去尋找新的目標。

這與我之前提到的因果學習密切相關。所謂賦能獎勵的本質，就是讓你學會如何干預世界，理解自身行為如何引發連鎖反應。一些證據顯示，即使是兩個月大的嬰兒，當你在他們的腳和手機之間放一條絲帶，以便他們控制手機，他們會坐在那里，嘗試各種不同的踢腿方式，看看對手機有什么影響。就像小小的科學家，他們會咯咯笑，然后繼續重復實驗。這種探索行為對他們而言似乎十分有滿足感。當然，他們也會模仿媽媽做同樣的事情，他們做各種鬼臉，然后看媽媽是否會對他們回以鬼臉。

我認為這是解決方案的很重要的一部分。我想再次說明，這與科學研究有關。回到我們之前所說實驗的系統性上，我注意到，當權者總是說，“你不能只是漫無目的地釣魚式調查（fishing expedition，指缺乏明確目標的調查或信息搜集行為，靠碰運氣解決問題）?！蓖ㄟ^嘗試某種方法，意外發現了某種系統性的規律——這才是真正的價值所在，遠比那些已知因果關系更有意義。而“賦能”的理念會鼓勵你繼續進行釣魚式調查。

哲學追問與未來研究方向

肖恩·卡羅爾：卡爾·弗里斯頓（Karl Friston）提出的“自由能原理”和“貝葉斯大腦”理論主張，“大腦的本質是盡可能減少意外感”。如果按照這個邏輯，人類就應該蜷縮在黑暗房間里，什么都不要做。但他的觀點其實是，為了我們最小化生命中的意外感，我們必須立即開始積極探索、嘗試各種非常規行為，這樣才能預判未來會發生什么。

艾莉森·高普尼克：沒錯，這正是我之前提到的探索與利用的權衡。關鍵在于你需要構建對周遭世界的連貫認知框架，既不能只關注隨機發生的新奇事物，也不能不斷重復舊有的事情。我們發現，當給孩子一個隨機行為的“布克特探測器”時，與那些行為結果具備系統性關聯的設備相比，孩子們更傾向與“布克特探測器”互動。這種對系統性驚喜的偏愛，同樣適用于科學家群體。

肖恩·卡羅爾：對于世界存在的某種固有結構，雖然我們在著手利用它，但無論是哲學家、物理學家、AI研究者都尚未完全掌握將其系統化的方法。

艾莉森·高普尼克：是的。有一件事總會讓我感到震憾，這也是我當年作為哲學系學生開啟這項研究的初心——知識的本質，這源于對柏拉圖與亞里士多德所探討的深層哲學問題的思考。

我們如何確知外部世界的存在？它不僅包含某種結構，還包含夸克、心智和各種各樣無法被直接觀測的東西。然而，從世界傳達到我們的只是一堆干擾我們耳膜的空氣和我們眼睛的光子。

我們是如何從這些數據中重建那個世界的呢？我想回到柏拉圖和亞里士多德的理論。“我們似乎是通過數據來理解這個世界。它一直都在那里?！边@本質上源于某種先天進化結構——這正是柏拉圖的哲學路徑。而亞里士多德的理論則對應著當代大型語言模型的范式，“我們看似是理解了世界結構，實則只是提取光子與耳膜聲波間的統計關聯。我們錯誤地將數據相關性等同于結構認知，卻缺乏充分理由支撐這種推斷?！?/p>

發育的奇妙之處在于：真實嬰兒的學習過程，似乎并不符合上述兩種情況。我們似乎能夠從根本上了解這個世界的新事物，無論是了解我可能喜歡西蘭花而你不喜歡，還是了解夸克和輕子。但人類認知不僅僅是在數據中的統計相關性。

雖然看起來我們確實能發展出超越數據關聯性的理論，但一千年來，我們仍未能建立有效的計算模型來解釋這種能力。我認為，觀察兒童如何實現這種學習過程，正是破解這一哲學難題的關鍵路徑。這正是我畢生研究的課題。

肖恩·卡羅爾：有時候觀察現實世界的實際運作確實能幫助我們更好地理解它。

譯者后記

翻譯這篇對話的過程，既是對認知科學前沿的一次沉浸式學習，也引發了我對人類智能本質的深刻反思。艾莉森·高普尼克將兒童比作“進化設計的探索者”，其認知模式猶如“模擬退火”中的高溫搜索，以無序嘗試構建世界模型。這種視角顛覆了傳統教育中對“專注力不足”的負面評價，反而將其視為文明進步的原始動力。反觀當前AI領域，大型語言模型雖能復刻人類知識的表象，卻缺乏兒童般主動干預世界、驗證因果的創造力。

翻譯時，如何精準傳遞“賦能”（Empowerment）等跨學科概念成為挑戰——它們既是技術術語，又隱喻著人類認知與機器邏輯的分野。高普尼克提到“祖母與虎鯨的文化傳遞”，更令人深思：智能不僅是算法優化，更是代際間經驗與創新的動態平衡。

或許，在追求通用人工智能的路上，我們更需要向嬰兒學習：放下對“效率”的執念，重拾探索的純粹樂趣。畢竟，文明的火種，始于混沌中的第一粒星火。

*為保證閱讀體驗，本文對聽稿進行了適當地編輯。

原對話指路：https://www.thetransmitter.org/brain-inspired/dmitri-chklovskii-outlines-how-single-neurons-may-act-as-their-own-optimal-feedback-controllers/

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。