小孩不用背几十亿个词，两岁左右就能听懂成千上万个词、说出自己的需求，而大语言模型却需要吞下海量文字。这个差距一直让科学家好奇。简单讲：普林斯顿大学的团队，用婴儿从出生到约三岁的家庭录音，给每个孩子训练了一个“AI 分身”，让它像孩子一样一天天地听，结果发现要加上“回放”机制，才能学得像样。下面小编把这项研究说清楚。以下内容根据 Singularity Hub 的报道整理，细节请以原始报道和论文为准。
为什么要拿婴儿来训练 AI
婴儿学语言的方式很特别：听父母说话、听陌生人聊天、听睡前故事，几个小时的语音就能起步。相比之下，聊天机器人要消耗大量水和电，数据中心也引来不少争议。研究者希望弄明白婴儿是如何学语言的，包括学习出了问题时会发生什么，也希望借此启发更节能的机器学习方法。
过去的研究已经发现，婴儿很早就能察觉语音的变化，大约八个月时，能从连续的语音里找出词语的统计规律；用眼动追踪的研究也显示，孩子在会说之前，听懂词语的能力就在快速增长。研究者此前也用麦克风和可穿戴录音设备记录过孩子的日常，但很多模型只针对某一种语言技能。这一次，团队想在更接近真实的条件下建模。
实验是怎么做的
- 采集：研究是普林斯顿“前 1000 天”项目的一部分。团队建立了伦理框架，让家长始终可以撤回或删除录音，最终招募了 15 个背景各异的家庭；
- 数据量：每个家庭装了 4 到 14 台设备，每天大约录 12 小时，总共积累了超过一百万小时的音视频；
- 处理：用 AI 流程识别婴儿何时出镜、何时有说话声，去掉噪音、长时间的安静和重叠的交谈后，每个孩子最多提取了 6600 小时的音频；
- 模型：每个孩子对应一个相对较小的模型，从“一张白纸”开始，事先不知道英语的发音，也不知道词在哪里分开。它有两个部分：一个音频编码器，把语音切成 20 毫秒的小段；一个预测解码器，学习预测接下来可能出现的声音；
- 训练方式：不是一次性喂完所有数据，而是按天推进，模拟孩子的真实经历。
最初效果并不好，关键是“回放”
研究者发现，即使有这么丰富的日常语音，只按天听一遍，学习效果并不理想。后来的办法，是借鉴大脑在睡眠中巩固当天记忆的过程：让模型在每个模拟日结束时，重新听一遍当天最近的一些语音片段，也就是“回放”。加上这一步以后，模型的学习轨迹开始贴近真实的孩子：
- 先学会语音的基本单位（音素），再逐渐认出反复出现的词；
- 起步比较慢，但随着孩子清醒的时间变长，孩子和它的“AI 分身”学新词的速度都在加快；
- 到了大约 1000 天，词汇量已达到数千个；
- 在八个孩子的模型中，大约 15 个月内就学到了约 37 个音素，并在两岁之前开始认词，不过各自速度差别很大。为了贴合每个孩子的进度，团队还调整了模型参数，比如每晚回放多少语音。
这个 AI 并不等于婴儿的大脑
研究者自己也强调了局限：
- 模型处理信息的方式，不像神经元那样并行且节能；
- 它只“听”声音，而婴儿还会借助目光、手势、表情和与他人的互动；
- 下一步需要分清楚，模型里哪些部分真的反映了婴儿的学习，哪些只是计算上的捷径，后者也可能启发新的机器学习思路。
团队还计划利用配套的视频，让模型逐步获得更多接近孩子的能力，看看会发生什么。感兴趣的朋友，可以继续关注 AI 与认知科学的交叉研究，也可以看看本站的AI 能察觉自己被植入想法吗，了解另一个关于模型“内部”的有趣研究。
常见问题（FAQ）
这是不是说 AI 已经能像婴儿一样学说话了？
还不是。它只学习了声音，学到的是音素和部分词语，距离真正理解和使用语言还很远。
“回放”为什么重要？
研究者发现，没有这一步，模型的学习效果令人失望；加上它，模型才能更接近孩子的发展过程。
家庭录音会不会侵犯隐私？
团队设计了伦理框架，家长可以随时撤回或删除录音。具体做法请以论文和研究机构公布的信息为准。
这对普通人有什么用？
短期内主要是科研价值：帮助研究语言发育，也可能给更节能的 AI 训练方法带来启发。
参考来源：Singularity Hub 的相关报道及普林斯顿“前 1000 天”项目公开信息。