孩子掌握语言远胜 AI，我们却仍不知道为什么

大型语言模型已能流畅对话，却要吞下远超儿童一生接触量的数据。认知科学家把这种悬殊称为“数据效率鸿沟”：弄清孩子如何用极少样本学会语言，既可能催生更高效的模型，也会迫使我们重审语言天赋、经验学习和儿童认知发展的旧理论。

1. 流畅表象之下，是十万倍量级的数据效率鸿沟

• 人类至少已经交谈了 10 万年。在漫长历史中，唯一能把人类语言学到完全流利的系统一直是儿童；ChatGPT 发布短短四年后，Claude、DeepSeek 与 OpenAI 的 GPT 等大型语言模型才成为第二种能自然对话、甚至足以冒充人类的语言使用者。
• 两种流利的代价极不对称：模型在掌握语言时处理的词语，轻易就能达到一个人学习母语经历量的 10 万倍。斯坦福认知科学家 Michael C. Frank 形容，我们要“烧掉一片森林、刮取人类全部知识”，才能重现客厅里的孩子一年左右便达到的里程碑。
• Meta 的 Llama 3.1 在预训练中使用了 15 万亿个 token，前沿模型可能再多 10 倍；但互联网可用文本有限，数据源也许最早会在 2030 年代见底。相比之下，语言环境丰富的孩子到青春期前大约听过 1 亿词，把读写算入，到 20 岁也许是 3 亿词。若把现代模型训练文本打印出来，纸张可堆过国际空间站；孩子的 1 亿词只约 20 米高。

• 缩小鸿沟有直接用途：减少模型训练成本，让视频学习更有效，并为捷克语、挪威语、萨米语等数据稀少的语言建立可用模型。它也提供一条实验路径，用机器检验儿童究竟依靠先天语法、统计经验，还是更普遍的学习约束。

2. 语言天赋之争，被统计学习模型重新打开

• 儿童通常听过约 1000 万词、最多约 3000 万词，就开始说出合乎语法的句子；用同样规模训练 GPT-2，得到的却仍像“胡言乱语生成器”。难题不只在词汇，而在句法可以递归嵌套，用有限词汇表达近乎无限的想法：孩子接触的只是语言海洋的一滴，却能推断其深度。
• 20 世纪 50 年代，Noam Chomsky 以“刺激贫乏”反驳 B. F. Skinner 的条件反射学说。他认为，儿童接触的语言太少、句法太复杂，不可能只靠统计经验习得，因此必须拥有某种先天语法知识。生成语法随后主导美国语言学数十年，也影响了早期计算机科学。
• 在五六十年代军方资助的第一次 AI 热潮中，研究者依照这一路线把语法规则显式编码进程序；符号 AI 延续数十年，却没能在大规模真实语言上成功。20 世纪 70 年代的“AI 寒冬”之后，神经网络才逐渐回归。
• 到 2018、2019 年，采用 Transformer 架构、用数十亿 token 训练的 BERT 与 GPT-2 证明，海量统计学习能够掌握语言；2022 年 ChatGPT 的爆发让公众也看见这一点。大型语言模型不是大脑，只是没有人类皮层生物特性的强大模式学习器，但它们确实学会了句法——这件事本身已经动摇“纯统计不可能学会语言”的旧判断。

3. BabyLM 把模型训练压到儿童规模，结果却打破直觉

• 语言学家 Alex Warstadt 认为，科学模型不必完美才有解释力。2022 年 8 月，他与 Leshem Choshen 等人提出 BabyLM 年度竞赛：把儿童如何学习的假设写进模型，再看它们能把数据鸿沟缩小多少。竞赛后来增加工作坊，还衍生出中文小模型比赛。
• 主赛道只允许使用“发展上合理”的 1 亿词语料，幼儿规模赛道更只有 1000 万词；材料来自故事书、对话、电影字幕、简明英语维基、普通维基和对儿童说话的真实转录。评测沿用心理语言学方法，例如比较 “The keys ... are” 与不合语法的 “The keys ... is”，对人看眼动，对模型看“惊异度”。
• 第一届最受欢迎的方法是课程学习：先喂简单材料，再逐步提高复杂度，仿佛儿童先听儿语。但结果不如预期，Transformer 似乎并不需要这种排序。看起来最像儿童学习的设计，并不一定最适合当前模型架构。
• 2024 年冠军 GPT-BERT 一半像现代模型预测下一个 token，一半像 BERT 填补被遮住的词。它只用约 1 亿词预训练，却在一项 BabyLM 基准上超过使用约 1.5 万倍数据训练的 Llama 2 70B。不过它仍远逊于商业模型，很多 BabyLM 模型甚至不会生成文本；它们只是数据量像婴儿，学习方式并不像婴儿。

4. 儿童不是只读文本的程序，而是在身体里看、听与行动

4.1 头戴摄像机改变了我们对儿童输入的想象

• 儿童通过视觉、听觉和身体行动接收语言。Frank 的早期头戴摄像机研究发现，婴儿视野与成人想象完全不同：短小手臂把物体拉得很近，周围则像一片“膝盖森林”，输入高度聚焦而非均匀扫过世界。
• SAYCam 项目让三名儿童从 6 个月到两岁半，每周佩戴摄像机两小时，并把资料公开。Brenden Lake 团队在 2024 年用其中 61 小时原始视频训练模型，使它能识别物体并把词与物对应。模型无需预置“新词通常指整个物体而非鞋带等部分”的偏好，也能起步学习；但训练结束后，它远没有达到两岁儿童的能力。

• 局限可能来自数据不真实：婴儿无法全天佩戴摄像机，SAYCam 和后继项目 BabyView 每周最多记录几小时。研究者只能选择一个孩子生活的极小切片，或把许多孩子互不连续的片段拼起来，两者都不等于真实成长。

4.2 千日家庭记录开始接近真实成长连续性

• Uri Hasson 团队用五年记录 17 名儿童出生后最初 1000 天。家庭在卧室和浴室之外布置摄像头与麦克风，几乎每天记录 12 小时。AI 转录与视频分析让这种规模首次变得可处理；Hasson 说，他们“第一次拥有了输入”，但研究才刚开始。

5. 真正缺少的也许是主动探索、求知缺口与社会关系

• 目前，用儿童视频训练多模态模型仍很困难。Lake 的模型只学会“球”“猫”等简单词，BabyLM 参赛者把视觉数据补到文本中也没有奏效。Alison Gopnik 提醒，儿童不是坐着观看世界，而是主动选择数据、反复实验。
• Gopnik 团队让小学生探索类似 Minecraft 的游戏，发现看似玩耍的行为能有效学习因果关系。孩子会寻找能提高“赋能感”的经验，也就是选择那些让自己可以可预测地影响世界的动作。模型的被动预训练没有这种闭环。
• 哈佛发展认知科学家 Elizabeth Bonawitz 指出，儿童知道自己不知道什么，并会主动填补知识缺口；他们也会判断教师是谁、教师知道什么、为何在此刻告诉自己这件事。儿童学习的是证据、行动反馈和他人意图共同构成的社会世界，模型通常是在隔离中被动吸收数据。
• 因此，下一步也许要让模型主动寻找盲点、试验语言、观察别人如何回应自己的“咿呀学语”，并对模拟社会做推理。2025 年 BabyLM 已允许模型彼此互动，但社交模型并未超过标准模型；这说明直觉方向还没有转化为成熟机制。

6. 产业关注效率，但未必愿意真正模仿大脑

• Meta 对儿童启发的路线最积极：两名研究者参与 BabyLM 多模态分支，公司科学家又与 Frank 等学者发布婴儿头戴视频训练基准。隐身创业公司 Flapping Airplanes 也开始关注这类研究；Meta、Google DeepMind、OpenAI 和该公司都没有接受采访。
• Gopnik 判断，前沿实验室目前并没有竞相借鉴儿童；真正吸收发展心理学经验的，可能是替代 Transformer 的下一代架构。Aaron Mueller 也说，机器学习界更关心“什么能用”，而非“是否像大脑”。
• 关注正在增长。Q Labs 在 2026 年 3 月推出 NanoGPT Slowrun 基准，目标与 BabyLM 接近，却拿掉人类语言学习动机，专注数据效率。对 Warstadt 而言，效率还意味着 AI 民主化：大学和无法进行超大规模训练的团队也能留在研究前沿。
• GPT-BERT 设计者 David Samuel 来自捷克、工作于挪威。英语之外的数据远少得多，萨米语可能只有数千万 token，恰好接近幼儿接触规模。他的问题很现实：小语种能否用有限材料训练出与英语模型同样有能力的系统？
• 这也解释了为什么数据效率不只是排行榜上的工程指标。训练门槛降低后，研究权不必只属于拥有超大算力和英文语料的公司；大学、小型团队与少数语言社区，才可能针对自己的语言和问题训练模型，而不是永远借用英语世界的能力。

7. 模型不只是工程对象，也可能成为研究人类的“模式生物”

• Bonawitz 原本怀疑大型语言模型能否解释认知：大脑是具身的，神经元是活细胞，会随学习和年龄持续变化；模型通常只预训练一次。但她逐渐接受一种比较心理学式视角——像研究动物心智那样研究模型，以反照我们自己。
• Warstadt、Frank、Wilcox、Lake 与 Hasson 已把模型当作“语言实验鼠”。研究者可以模拟不同程度的双语环境，或让模型缺少某种语法形式，再观察结果；这种实验不可能在真实儿童身上进行。Richard Futrell 把它比作教会一个外星人语言，然后打开它的大脑查看发生了什么。
• 模型与人脑差异巨大，正因如此，它们既能挑战旧假设，也能帮助区分哪些语言规律属于生物特性，哪些来自学习、信息处理或语言本身的普遍约束。

• 其他动物会交流，但只有人类会交谈；如今出现了既非动物也非人类、却能使用语言的实体。Warstadt 因此称大型语言模型为真正意义上的“模型生物”：不是因为它叫语言模型，而是因为它让语言研究第一次拥有可操控的比较对象。

思想框架

文章从模型与儿童之间悬殊的数据用量出发，先回到先天语法与经验学习的历史争论，再用 BabyLM 说明缩小语料规模既能带来惊人结果，也会推翻看似自然的儿童学习直觉。随后，SAYCam、BabyView 与千日家庭记录把问题从文本扩展到具身经验；主动探索、知识缺口和社会意图又揭示，儿童优势可能来自一整套与世界互动的机制。文章最后把工程与科学目标合并：更高的数据效率能降低训练门槛、服务小语种，而可控的模型也能成为研究人类语言与认知的新型“模式生物”。