美國紐約大學(xué)研究人員開展了一項(xiàng)實(shí)驗(yàn)，他們通過一個(gè)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(gè)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(xiàng)研究表明，該模型或神經(jīng)網(wǎng)絡(luò)實(shí)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，視頻只捕捉了孩子大約1%的清醒時(shí)間，但這對于真正的語言學(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(yuǎn)比兒童在學(xué)習(xí)如何理解和表達(dá)語言時(shí)接受的要多。最好的AI系統(tǒng)訓(xùn)練的文本數(shù)量達(dá)到數(shù)萬億字，而兒童每年只能收到數(shù)百萬字的文本。

由于數(shù)據(jù)存在巨大差距，研究人員一直懷疑AI的最新進(jìn)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(tuán)隊(duì)從孩子6個(gè)月大開始，到25個(gè)月大結(jié)束，每周通過頭戴式攝像機(jī)，捕獲其第一視角視頻并分析。他們共使用了超過60小時(shí)的視頻素材，包含大約25萬個(gè)單詞實(shí)例（即所傳達(dá)的單詞數(shù)量，其中許多是重復(fù)的）。這些單詞實(shí)例與孩子在說出這些單詞時(shí)所看到的視頻幀相關(guān)聯(lián)，包括進(jìn)餐、讀書和玩耍等各種不同的活動。

經(jīng)過訓(xùn)練后，團(tuán)隊(duì)對模型進(jìn)行了測試。他們向模型提供目標(biāo)單詞和四個(gè)不同的圖像，要求它選擇與目標(biāo)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(shí)例，哪怕實(shí)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