人工智能时代的认知科学：逆向工程婴儿语言学习者的路线图

在生命的最初几年里，婴儿以惊人的速度学习其环境的语言，尽管可用语言输入的数量和复杂性存在巨大的跨文化差异。理解这一简单事实仍然超出了当前认知和语言学理论的范围。最近，工程科学（特别是机器学习和可穿戴技术）的显著进步，有望彻底改变认知发展的研究。机器学习提供了强大的学习算法，能在许多语言任务上达到类人表现。可穿戴传感器可以捕获大量数据，从而重建婴儿在自然环境中的感官体验。因此，“逆向工程”语言发展的项目——即构建一个模仿婴儿成就的有效系统——似乎触手可及。在此，我们分析了此类项目在何种条件下能促进我们对早期语言发展的科学理解。我们主张，计算模型不应定义子问题或简化数据，而应直面学习情境的全部复杂性，并以婴儿可获得的原始感官信号为输入。这意味着 (1) 建立可访问且保护隐私的家庭数据库并广泛共享；(2) 通过一套机器和人类都能通过的心理语言学测试基准，在不同语言层面评估模型；(3) 利用机器学习中的概率/优化原则，将语言学和心理学上合理的学习架构扩展到真实数据。我们讨论了这种方法的可行性并展示了初步结果。