揭开语言习得的黑箱

利用深度学习技术的大型语言模型的最新进展，重新激发了人们对如何从数据中学习语言的兴趣。然而，尚不清楚这些模型是否以及如何表征所学语言的语法信息。此外，模型在使用前必须在大型语料库上进行预训练。在本工作中，我们提出了一种替代性的、更透明且符合认知合理性的语言学习架构。我们的方法不使用深度学习，而是基于序列记忆和组块（chunking）的最小认知架构。学习机制基于强化学习原理。我们在多种类自然玩具语言上测试了我们的架构。结果表明，该模型可以从零开始学习这些人造语言，并提取支持学习的语法信息。我们的研究展示了这种简单架构的力量，并强调了序列记忆作为语言学习过程关键组成部分的重要性。由于其他动物似乎没有忠实的序列记忆，这或许解释了为何只有人类发展出了复杂的语言。