儿童学语言远超AI：数据效率之谜

儿童仍是语言学习的唯一‘奇迹’

人类已持续使用语言至少10万年，但在这漫长历史中，唯一能以近乎完美流利度习得人类语言的，始终只有人类幼童。如今，这一纪录被AI并列——ChatGPT发布仅四年，Claude、DeepSeek、GPT系列等大语言模型已能自然对话、灵活应答，甚至令人难辨人机。然而表象之下存在巨大反差：教会计算机使用人类语言，仍需‘非人’规模的数据。一个LLM在预训练阶段处理的词元（tokens）数量，轻松可达普通人一生接触母语词汇量的10万倍，更远超婴幼儿在一岁前实际听到的全部语言输入——而此时他们往往已开始抓住语言的核心规律。

百万倍差距：数据效率鸿沟

斯坦福大学认知科学家迈克尔·C·弗兰克（Michael C. Frank）评价道：“近期进展令人惊叹，但我们仍需焚毁整片森林、刮取全人类知识总和，才能复现那个在自家客厅里一年内就完成的语言里程碑。”这一悬殊差异被称为“数据效率差距”（data efficiency gap）。它既令认知科学家着迷，也为AI架构师设下核心挑战：为何最先进语言模型仍被孩童远远甩在身后？

Meta两年前发布的开源大模型Llama 3.1，预训练即消耗15万亿词元；前沿模型预训练数据量或已达其10倍。但互联网可用文本终有极限——乔治城大学认知科学家伊桑·戈特利布·威尔科克斯（Ethan Gotlieb Wilcox）指出，数据枯竭可能早在2030年代初就到来。而儿童证明：更少，完全可行。一名成长于语言丰富环境的青少年，累计听闻词汇量约1亿；若计入阅读，20岁时或达3亿词。相比之下，Claude所‘见过’的语言量，相当于一座城市一整代人的语言经验总和；若将现代LLM训练所用全部词元印成纸张，堆叠高度将超越国际空间站；而儿童的1亿词仅高约20米。

从‘奇迹’到科学：未解的核心问题

多数人直到成年后学外语，才真正体会到语言之难：过去完成时、颤音、鼻化元音、属格、短语动词、语法性别……这些常令成人学习者痛苦不堪。但母语习得却几乎毫不费力。幼儿通常在听过约1000万词（上限约3000万词）后，便能产出合乎语法的句子。“这简直不可思议，”弗兰克强调，“若用3000万词训练GPT-2，你得到的只是一个胡言乱语生成器，绝不是个孩子。”

婴儿如何做到这一点？答案仍是谜。学界清楚儿童各阶段学到了什么、如何使用语言，但对其底层机制知之甚少。最根本的疑问在于：为何婴儿天生具备语言习得能力？人类语言的句法——即组合词语构成句子的规则——包含递归与嵌套结构，使我们能以有限词汇表达无限思想。这种复杂性本应令婴儿望而却步，他们接触的语言不过是浩瀚海洋中的一滴水，却偏偏能从中推断出整片深海的图景。

逆向启示：为AI寻找新路径

破解儿童语言学习之谜，不仅关乎认知科学对人类心智的理解，更直接影响AI未来。研究者正尝试通过机器模型验证关于人类学习的假说：我们是否生来具备‘语言本能’？抑或儿童纯粹依靠经验也能学会语言？语言处理方式是生物特性的偶然结果，还是反映了语言本身可被习得与使用的某种普适约束？若能逆向工程儿童学习机制，或将催生数据效率更高、更易部署于视频理解或多语种小众社区服务的下一代AI模型。