如果說，過去十年我最有成就感的事情之一，是成功訓練一個圖像辨識模型，那麼，這兩年讓我真正驚嘆的，不是工作上的突破，而是家裡那個小小的生命：我的女兒。當年我們為了教AI分辨貓和狗，丟了上萬張圖片、調了無數次參數，才能讓準確率勉強上升幾個百分點。但女兒呢？從看到第一隻真正的狗，到能分辨各式各樣的貓狗，只用了短短半年、不到二十個樣本。這不禁讓我開始思考：人類大腦的學習機制，和我們以為的、以及我們設計給AI的那套邏輯，是不是根本不一樣？今天，就讓我從一個AI工程師、也是一個新手爸爸的角度，來聊聊這個讓我震撼的小故事。
人類大腦 vs 人工神經網路
在AI領域，圖像辨識可以說是最經典的入門挑戰之一。早在2012年，ImageNet大型圖像辨識競賽（ImageNet Large Scale Visual Recognition Challenge, ILSVRC）開始受到矚目，深度學習（Deep Learning）也隨之爆紅。我們訓練AI分辨貓狗，需要什麼？數萬到數十萬張清晰標註的圖片、大量GPU運算資源、仔細調整的超參數（hyperparameters），以及層層堆疊的卷積神經網路（CNN）。即使如此，模型要達到人類直覺般的準確率，依然非常困難。
但一個6-7個月大的嬰兒，只看過家中幾張動物圖卡、幾個玩具，接觸過不到20隻貓狗，就能學會在實際生活中準確辨認各種不同品種、體型、顏色、甚至遠距離模糊輪廓的貓狗。這樣的學習速度和泛化能力，完全打破了我們在AI領域的經驗預期。
為什麼嬰兒能這麼快掌握抽象概念？
心理學上，有一個理論叫「概念獲得」（Concept Acquisition）。根據Jean Piaget的認知發展理論，嬰兒在感覺動作期（0-2歲）會透過感官與動作互動，快速建立起對世界的基本認知結構（Piaget, 1952）。他們不是靠單純記憶每一隻狗的樣貌，而是自然地歸納出「什麼是狗」的概念——即使形態差異再大，仍能抓到「核心特徵」。
這種能力在AI界被稱為「小樣本學習」（Few-Shot Learning）或「零樣本學習」（Zero-Shot Learning），目前仍然是極具挑戰性的前沿研究領域。人腦似乎天生具備了超強的特徵抽象、模式歸納與類比推理能力，遠遠超越現有機器學習模型。
學習不是堆積，而是搭骨架
讓我用一個簡單的比喻來說明：如果把學習想像成搭積木，AI的學習是——你給我100塊積木，我就一塊一塊堆起來，慢慢砌出一座小塔。但人類大腦的學習更像是——你給我3塊積木，我就開始推測這座塔可能長什麼樣子，搭起一個「骨架」，剩下的細節，可以在未來隨時補上。人類擅長的是建立「概念性模型」（conceptual models），而不是死記每個個別例子。
嬰兒辨識力驚人的真實例子
有一次帶女兒出門，在公園遠遠看到一隻狗，身形小巧、毛色特殊，還被修剪成奇怪的形狀，看起來與一般狗完全不同。但女兒立刻興奮地指著說「汪」(意旨狗的意思)這種超越經驗、靠抽象特徵推測的能力，讓我深感震撼。如果按照傳統AI訓練邏輯，這樣外觀奇特的個體應該屬於「未知樣本」，模型通常容易判斷錯誤。但人類卻能自然而然地泛化，這讓我對神經科學與認知心理學的奧妙有了更深的敬畏。
從模仿大腦到理解大腦
今天的AI技術，無論是深度學習、生成式AI（如GPT-4），本質上仍是大量資料訓練出來的統計推論模型。它們還談不上真正的理解與推理。真正理解人腦學習機制，尤其是嬰兒期如何從少量樣本抽象出世界規則，未來將是人工智慧邁向下一個突破的重要路徑。
麻省理工學院（MIT）的一份研究指出，人類嬰兒學習物體概念的效率，是目前最先進AI模型的數百倍（Lake, Ullman, Tenenbaum, & Gershman, 2017）。這也提醒我們，真正的智慧，不是資料量的累積，而是如何從有限經驗中，提煉出無限的理解。
在女兒身上，我重新認識了「學習」
從事AI工作的我，從來沒有想過，最大的啟發會來自家裡的小小孩。她教會我一件事：學習，從來不是資料堆積的比賽，而是洞察、概括與理解的藝術。當我們未來談論AI超越人類的可能時，別忘了，哪怕是剛學會爬行的嬰兒，也展現了超越當前機器智慧的某種「原始天賦」。或許，真正的人工智慧，不是更強大的電腦，而是更深刻地理解人腦。
參考資料
- ImageNet Large Scale Visual Recognition Challenge (ILSVRC).
- Piaget, J. (1952). The Origins of Intelligence in Children. (Stanford Encyclopedia of Philosophy)
- Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building Machines That Learn and Think Like People. Trends in Cognitive Sciences.
沒有留言:
張貼留言