Alison Gopnik--艾莉森·高普尼克：加州大学伯克利分校心理学家：著有《宝宝也是哲学家》
在下棋上，机器可能比卡斯帕罗夫高明，但它们有可能和3岁小孩一样聪明吗？学习能力已然是人工智能再度复兴的核心。但到目前为止，我们宇宙中最优秀的学习者仍然是人类儿童。在过去的10年中，发育认知科学家常与计算机科学家合作，试图找到儿童能够在短时间内如此快速学习的原因。
探索人工智能的时候，最耐人寻味的就是，若想预测“什么对它来说容易、什么对它来说困难”的结果是很困难的。起初，我们觉得像下国际象棋或证明数学定律这样举世公认的聪明人游戏、学霸竞技场最能难倒计算机。但事实证明，这些对它们来说不过是小菜一碟。而像识别物体或搬运东西之类的即便是低智力的人都会做的事情，对计算机而言反而难如登天。看来，模拟一个经验丰富的成年专家脑中的逻辑推理，似乎要比仿效每个婴儿都有的一般学习能力容易得多。那么，机器在哪些方面已经赶上了3岁儿童？哪些学习能力还未曾获得呢？
在过去的15年里，我们发现即便是婴儿，在统计学意义上也有十分敏锐的洞察力。于是，计算机科学家发明了同样极端熟练于统计式学习的机器。像深度学习这样的新技术甚至能够在巨大的数据组中挖掘出相当复杂的统计规律。结果是，计算机忽然能够实现以往不可能完成的任务，比如对网络图像进行精准的标注。
这类纯统计式机器学习的弱点是：过于依赖大量数据——经过人脑简化的数据。计算机之所以能识别网络照片，只因为成千上万的真人已经将投射在他们视网膜上、复杂程度难以想象的信息，简化为Instagram上那些高度典型化、集约化、简单化的可爱猫咪——很显然，还给照片加上了标签。所谓的反乌托邦神话是个简单事实：我们都处于一种拿LOLcats取乐的麻痹幻觉之中，实则全都在为谷歌公司的计算机服务。然而，尽管有这么多的帮手，机器仍然需要大量的数据组加上极端复杂的计算，才能在面对一张新照片的时候自信地说出“小猫咪”——这是人类婴儿只要看过几张照片之后就能做到事情。
更为深刻的是，无论你是婴儿、计算机还是科学家，都只能以有限的方式从这种统计学习中归纳出一般规律。一种更强大的学习方式是首先形成关于真实世界的假设，随后用数据检验这些假说。丹麦天文学家第谷·布拉赫（Tycho Brahe）是16世纪的“谷歌学术”，他搜罗了大量天文观测的数据组，并利用它们来预测未来之星的位置。但德国天文学家约翰内斯·开普勒（Johannes Kepler）的理论则让他超越了第谷，作出了令人意想不到的、大跨度的全新预测。学龄前儿童也能做到同样的事情。
机器学习中的另一巨大进步，是标准化并自动化这类假说检验过程。将贝叶斯概率理论引入机器学习已经变得格外重要。我们可以用数学来描述带有因果关系的特定假说（例如海洋温度变化如何影响飓风），随后就可以套用我们手头的数据计算出该假说成立的概率。机器已经熟练掌握了用数据检验并评估假说的能力，并将其应用到了医疗诊断和气象学等领域中。当我们研究低龄儿童时，发现他们原来在以一种相似的方式推理——这种现象有助于解释为什么儿童的学习能力如此强的原因。
所以，计算机在利用结构化假说进行推理（尤其是概率推理）方面的技艺已经高度娴熟了。然而最棘手的问题是，在所有的可能性假说中，判断哪些假说是值得检验的。即便是学龄前儿童也十分擅长以极富创造力的方式提出崭新、反常规的概念与假说。他们不知如何将理性与非理性、系统性与随机性结合在了一起，其中的奥妙我们甚至毫无头绪。低龄儿童的思维与行动常常看似随意，甚至疯癫——什么时候参加一次3岁小孩的过家家游戏你就知道了。而这正是让·皮亚杰（Jean Piaget）等心理学家认为儿童非理性、无逻辑的证据。然而，孩子们同时还有一种神秘的、能够准确对匪夷所思的假说进行分类的能力——实际上，他们在这方面的表现比成年人好得多。
当然，“计算”的终极目标是在我们有了一套关于任何过程的完整、逐步的算法之后，将其编码到计算机中去。毕竟我们也知道，世界上已然存在能够胜任上述所有事情的智能体系统。实际上，我们中的多数人已经制造过这类系统并且还乐在其中（好吧，至少在制造的初期乐在其中）。我们把这类系统叫作我们的孩子。像大脑这样的物理实体如何产生智能？“计算”仍然是我们目前最好的（实际上也是目前唯一的）科学解释。但至少对现在而言，我们对于在孩子身上看到的那种创造力究竟该如何实现，还几乎一无所知。除非我们破解这个谜，否则即便最大、最强悍的计算机也始终不会是那些最小、最脆弱人类的对手。
注：高普尼克第一个认识到，人类婴儿比我们曾经认为的要更具智慧、道德和理性，这也符合积极心理学对人性的基本假设。《宝宝也是哲学家》（The Philosophical Baby）这与汗牛充栋的“育儿宝典”最大的不同就是，它的主角是孩子，不是养育他们的成年人。高普尼克清晰、明确地指出了“儿童在哲学论述中的缺席”。该文简体字版已由湛庐文化策划出版。
