美國紐約大學(xué)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(xùn)練多模式人工智能（AI）系統(tǒng)，使用的數(shù)據(jù)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(fā)表在最新一期《科學(xué)》雜志上的這項研究表明，該模型或神經(jīng)網(wǎng)絡(luò)實際上可利用孩子經(jīng)歷的有限片段，學(xué)習(xí)大量的單詞和概念。也就是說，視頻隻捕捉了孩子大約1%的清醒時間，但這對於真正的語言學(xué)習(xí)來說已經(jīng)足夠。

GPT-4等AI系統(tǒng)現(xiàn)在可學(xué)習(xí)和使用人類語言，但它們從海量的語言輸入中學(xué)習(xí)，遠比兒童在學(xué)習(xí)如何理解和表達語言時接受的要多。最好的AI系統(tǒng)訓(xùn)練的文本數(shù)量達到數(shù)萬億字，而兒童每年隻能收到數(shù)百萬字的文本。

由於數(shù)據(jù)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(guān)人類學(xué)習(xí)和發(fā)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(jié)束，每周通過頭戴式攝像機，捕獲其第一視角視頻並分析。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(shù)量，其中許多是重復(fù)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(guān)聯(lián)，包括進餐、讀書和玩耍等各種不同的活動。

經(jīng)過訓(xùn)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(jié)果表明，該模型不但能夠?qū)W習(xí)孩子日常經(jīng)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(xùn)練中看到的完全不同。

（記者張夢然）

分享讓更多人看到