人工智能时代应如何学习（第4/9页）

到目前为止，计算机“深度学习”仍然需要海量数据，人工智能对每一件事的学习都要有足够多的数据支持。因而很多人说“未来最宝贵的资源将是数据”，如果得不到足够的数据，人工智能就很难发展。对于一些有海量现存数据的领域，这是自然而然的事情，例如金融、医疗，但是人类社会生活还是有诸多领域缺乏足够多的数据记录，人工智能一时就很难习得。对人情世故的理解也往往受限于数据。人类拥有“从经历中学习”的能力。当一件事发生，作为单一的事件数据，人类就能学习到很多规律。在事件学习方面，人类不仅不需要很大的样本数据，就可以“吃一堑长一智”，甚至是可以超额学习，也就是“举一反三”。

每个孩子都是“一叶知秋”学习者，小时候，我们都能观察到他们胡乱总结生活规律。一两岁的小孩就可以总结“这样扔东西奶奶会笑”的规律。这样的坏处当然是“以偏概全”，但实际上，我们需要珍惜他们的这种特性。因为这正是他们在用强大的“模式提取”思考方式进行小数据学习，试图从生活小数据中提取宝贵的知识。

我们应该鼓励孩子们的思索，“以偏概全”也可以转化为优点。若想避免“以偏概全”，可以让他们看到更多、经历更多、体验更多，但是思考和总结的能力是千金不换的。

联想学习vs.逻辑学习

孩子的思考总是充满联想跳跃。我们通常认为走神是缺点，但其实也是优点。人工智能学习一个领域的知识，会局限在这个领域内，按照这个领域内的数据，寻找相关联系，寻找因素之间的相互影响。如果存在逻辑规则，人工智能学习毫无难处。人工智能在一个领域内得到的知识很难联想或类比到其他领域，因为它们并不具备多个领域的知识记忆。

人类的语言里充满类比和联想。当我们说起时代变化，我们说“风起云涌”的时代，表明时代的剧烈变化；当我们说起事态严重，我们说“山雨欲来”，暗示即将有大变化。天气和我们讨论的政治经济趋势毫无关系，但是所有的这些比喻之所以能成立，是因为人能注意到事物背后相似的部分，这些相似性也很抽象，如风云的变幻感和趋势感，这种相似性人工智能难以想到或理解。

类比并不仅仅是文学修辞，它是我们的思维方式，在知识领域同样有用。我们从前经常批判“廉价的类比”，感觉类比并不是真知，只是人们大脑胡乱的关联。但实际上，我们的知识发展很大程度上是靠类比和联想。逻辑演绎能保证我们在一个领域内推导出真知，但是根据哥德尔不完备定理，一个领域内总有一些基础公理是不能自我推导的。这就是说，每个领域至少有一些基本假设，要“无中生有”，而“无中生有”的来源，往往是从原有的领域类比而来。

有价值的类比实际上是发觉深层的结构，外在的信息无关，不意味着深层的机理无关。爱因斯坦的广义相对论，由自由落地的电梯类比而来，把整个地球类比于电梯，得到了令人瞠目结舌的对宇宙的新知。电梯和宇宙结构之间的关系，就是用跨领域联想找到深层原理。爱因斯坦有着非同寻常的视觉敏感度，联想能力与此密切相关。

我们跟小孩对话的时候，几乎很难将话题保持在同一脉络上。小孩子总是说到一半，就想起其他相关事物，然后话题就漫无边际地拓展下去。在孩子小的时候，我们会发现他们很难集中注意力在同一件事情上，思维常常飞跑，这让我们试图给他们传授单一知识的时候感觉非常困难。但实际上，孩子的这种天马行空的自由联想是极为宝贵的思想资源。发散的思维不受限制，注意到事物与事物之间的关联。3—7岁是大脑突触连接最快速增加的时段，到了小学之后，大脑突触连接数量逐渐减少，联想和跳跃的思维也减少，可以更有逻辑地思考，集中精力，但是终其一生，在逻辑思考和跳跃思考之间找到平衡，往往是最有成果的。

习惯化学习vs.重复学习

小孩子总是三分钟热度，一件事情喜欢上两天就不喜欢了。要是人工智能，我们可以让它念唐诗念上一年也不厌倦，但小孩子能坚持三五天就很了不起了。

我们都知道这是人工智能的优势，那我们又为什么说“厌倦”是孩子的优势呢？

实际上，厌倦来自一种心理学特征：习惯化。习惯化是指：大脑对于新奇的刺激有本能的兴奋，人的注意力喜欢追随新奇刺激，一旦一个新鲜信息变得习惯了，大脑就感到厌倦，不再加以注意。婴儿身上就展现出这种特征，心理学家给三四个月大的婴儿看屏幕上的画，如果是他觉得奇特的，他就目不转睛盯着看，如果是已经看得习惯的画，他就不怎么看了。科学家就是用这种方式测定婴儿的本能知识。