儿童为何仍比 AI 更擅长学语言？数据效率鸿沟背后的认知科学谜题

在 ChatGPT 发布四年后的今天，与手机或电脑自然对话已成为许多人习以为常的事。Claude、DeepSeek、OpenAI 的 GPT 等大语言模型（LLM）流畅而灵活，足以在对话中逼真地扮演人类。但若掀开计算的面纱，一个棘手的问题浮现：教会计算机使用人类语言，仍需要「非人」级别的海量数据。一个 LLM 消耗的词量，可以轻松超过人类掌握母语过程所经历词量的十万倍——远远多于儿童在一岁生日之前所能听到的语言总量。

斯坦福大学认知科学家 Michael C. Frank 这样描述当下大模型的训练代价：「最近进展惊人，但我们必须烧掉一片森林、刮遍人类知识的总和，才能复刻出这件本能在我们客厅里用一年时间自然发生的事。」这种儿童和机器之间巨大的落差，被研究者称为「数据效率鸿沟」（data efficiency gap）。

数据规模差距有多悬殊

过去十年，语言模型的进步主要靠「变大」。Meta 两年前发布的开源权重模型 Llama 3.1，在预训练阶段就消化了 15 万亿 token。乔治城大学认知科学家与语言学家 Ethan Gotlieb Wilcox 表示，前沿模型的预训练数据量可能已是这一数字的十倍。然而，互联网上的可用数据终归有限——最早或在 2030 年代，容易获取的数据池就可能枯竭。

相比之下，成长在语言丰富家庭中的学龄前儿童，到掌握语言时听到的词量大约只有一亿个；若加上读写训练，到 20 岁时累计语言输入可能上升到约三亿词。Wilcox 给出了一个形象的对比：「Claude 见过的语言量，相当于一座城市一代人经历的总和。」若把所有用于训练现代 LLM 的词打印成纸张，堆叠高度可以超过国际空间站；而人类儿童的一亿词，叠起来只有约 20 米。

孩子是怎么做到的

大多数人只有在自己成年后学习第二语言时，才真正体会到语言的难度——过去完成时、卷舌音、鼻化元音、属格、与格、动词短语、语法上的阳性桌子与阴性勺子，都是成年人语言学习的痛点。然而，幼儿通常在听到约一千万词（高估可达三千万词）后，就能开始说出合乎语法的句子。

Frank 直言：「这简直是个奇迹。如果你用三千万词训练 GPT-2，得到的只是一个胡言乱语的生成器，而不是一个孩子。」儿童究竟如何从语言输入的「一瓢水」中推导出整片海洋，仍是认知科学中悬而未决的核心问题。

围绕这一谜题，最持久的争论之一可以追溯到 20 世纪 50 年代。MIT 语言学家诺姆·乔姆斯基提出，儿童天生携带语法的「硬连线」知识，是对行为主义心理学家 B.F. Skinner「语言完全靠环境强化学习」观点的反击。乔姆斯基的核心论点是「刺激贫乏」（poverty of the stimulus）：语言尤其是句法过于复杂，而儿童接触到的语言输入又过于「贫乏」，不可能仅凭经验学会。加州大学欧文分校的认知科学家 Richard Futrell 概括道：「他的标志性论点是，语言不能纯粹建立在统计学习之上。」乔姆斯基主张，语言基于一套逻辑规则，儿童需要先天的规则知识，才能推导出其母语的语法结构。

对 AI 意味着什么

这项研究的意义同时跨越认知科学与 AI 两大领域。若能弄清儿童的语言学习机制，科学家有望构建数据效率更高的 AI 模型——这对于训练视频理解模型、为少数族裔语言打造聊天机器人等场景都至关重要。同时，在机器模型中检验人类学习的假说，也有望回答一些关于语言与儿童心智发展的长期争论：我们究竟是与生俱来拥有「语言本能」，还是原则上可以完全从经验中学会语言？我们处理语言的方式究竟是生物学的独特产物，还是反映了语言在使用与学习方式上的某些普遍约束？

可以预见的是，随着可训练数据逐渐逼近上限，「如何用更少数据学到更多」将从研究兴趣变为工程刚需。儿童用一亿词完成的事，或许正是下一代 AI 必须攻克的下一道关。