趣解读 | 大脑的“出厂设置”很强大,婴儿天生就会统计推理

2021 年 6 月 4 日 中国科学院自动化研究所




CASIA


解锁更多智能之美


“云朵为什么在天空中飘动?”


“因为我想要它动。”


类似的对话常常发生在大人与小孩之间。幼儿的回答虽然充满童趣,但却让人一头雾水。儿童心理学先驱让·皮亚杰曾表示,幼儿的想法毫无理性和逻辑可言。


儿童心理学先驱让·皮亚杰 (图片来源:维基百科)

然而,在记录苏格拉底对话的《美诺篇》中讲述了一个故事,这位西方哲学的奠基人引导一个从未受过教育的倒酒小童奴,逐步完成了一个几何证明。


苏格拉底认为,小男孩在没有学过几何学的情况下,就能完成定理的证明,这表明,年幼的孩子必定比我们想象中懂得更多。


西方哲学奠基人苏格拉底的雕像(图片来源:维基百科)


得益于数字技术的发展,通过设计巧妙的实验,科学家能够从婴幼儿的行为反应中洞察秋毫,发现曾被主流心理学界严重低估的理性思维。最近20多年的研究证实,苏格拉底的观点或许才是正确的。


现代认知科学指出,婴幼儿的大脑就像是大自然精心打造的“超级计算机”,十分擅长从统计规律中学习。



Part.1

                       

婴幼儿的“计算脑”


18世纪英国数理统计学家、哲学家,概率论的创立者——托马斯·贝叶斯认为,学习就是认识各种可能性发生的概率。


如今,贝叶斯的概率论已成为21世纪计算机科学和人工智能的基础。计算机科学家运用“概率模型”(贝叶斯模型)开发了一种全新的机器学习程序。


以艾莉森·高普尼克为代表的一批认知心理学家,率先运用该数学模型来解释儿童的大脑如何学习。


来源:photocome


概率模型基于逻辑假设和数学概率。高普尼克认为,婴幼儿的大脑可能以相似的机制,把自己对周围事物的各种假设与各类事件发生的概率联系起来。在不断积累的证据或经验中,当某些情况经常出现时,婴幼儿便能发现其中的“模式”或“规律”。


 

Part.2

                       
“喜新厌旧”有道理


1996年,《科学》刊发了珍妮·萨弗兰的一篇极具开创性的论文。文章指出,即使8个月大的小婴儿也已经对统计规律十分敏感了。


设想你是一个躺在摇篮中的宝宝,已经听了8个月的“妈妈语”,常常被夸赞是个“漂亮宝贝”。


来源:Pixabay


一段时间后,你可能就会运用自己统计的信息,即“漂”后面总会跟着“亮”,“宝”后面经常接着“贝”。但是,单独的“亮”后面很少跟着“宝”。


由此,你就学会了“漂”和“亮”、“宝”和“贝”分别组合起来都是词语,但“亮宝”就不是。 


为了进一步验证小婴儿是否真的具有统计能力,萨弗兰给他们播放了一长串无意义的,中间没有停顿的,有多种组合方式的音节(如,bidakupadotigola……)。


这个实验方法依赖的前提是:婴儿更喜欢新鲜事物。如果给婴儿反复播放同一段声音,他们会感到无聊,把头转向别处。此时若播放新的声音,他们就会重新转向声音源并注意倾听。


在一串音节中,“ga”始终跟在“ba”后面出现,而“da”则不一定跟在“ba”后面。随后,给婴儿播放单独出现的无意义词语,如“bada”或“baga”。


结果显示,婴儿会对小概率事件感兴趣,他们更喜欢听到“bada”。婴儿的确会无意识地运用统计规律来预测哪些音节更有可能一起出现。


图片来源:Pixabay


这种发现概率模式的能力也体现在对动作的观察中。在戴尔·伯德温的婴儿实验室中,研究人员对10个月大的宝宝做出含有4种可预测模式的奇特连贯动作。


每个模式中都有固定顺序的3个基本动作,包括:“吹”瓶口、“摸”瓶壁、“摇晃”瓶身、“放入”杯中、“敲碰”杯子、“擦拭”瓶口。


研究人员不断地重复这些模式,当发现婴儿感到厌倦以后,便开始测试。如果3个基本动作以新的顺序重新组合,婴儿就会露出惊讶的神情,全神贯注地观看。反之,他们就会兴致大失,并转移视线。


 

Part.3

                       
假装随机?想骗谁呢!

人工智能科学家指出,人类智能与机器智能的很大区别在于,人类能够从少量经验中学习。凭借强大的“出厂设置”,婴幼儿天生就懂得从少量的数据或证据中,进行归纳总结。比如,如果一个皮球能从地面弹跳起来,那么,所有皮球都具备这种特性。


来源:photocome


可是别忘了,推而广之的重要前提是,样本要具有代表性。那么,婴幼儿是否会像统计学家那样很在意这一点呢?


劳拉·舒尔茨开展了一项“双色球”实验。其中包括两种实验条件:“随机取样”和“选择取样”。


在“随机取样”中,研究人员会给15个月大的婴儿看一个几乎装满蓝色球,只有极少数黄色球的箱子。然后,从中连续取出3个蓝色球,每取出一个就将它捏响,之后摆放在婴儿面前。接着,研究人员取出一个黄色球给婴儿玩。


婴儿拿到球后,立马就开始捏它。这表明,婴儿认为那3个蓝色球是随机样本,如果蓝色球能被捏响,那么,也许箱子里的所有球(包括黄色球)也能被捏响。


而在“选择取样”中,箱子里几乎全是黄色球,蓝色球很少。研究人员连续选择3个蓝色球,并示范将它们捏响。然后,递给婴儿一个黄色球。


情况发生了逆转:这个婴儿对黄色球一点儿都不感兴趣。她把黄色球扔到一旁,伸手去够蓝色球。


可见,婴儿认为这并不是令人信服的随机取样,她觉得选择蓝色球是有特殊原因的,也许只有蓝色球才能被捏响。


在“随机取样”条件下(左),婴儿捏黄色球的概率,明显大于“选择取样”条件下(右),图片经过编辑

图片来源:参考文献2


舒尔茨还做了一个有趣的猜想:假设从几乎全是黄色球的箱子里,只取出一个蓝色球,这也是一种合理的随机取样。


如果蓝色球能被捏响,那么很可能箱子里所有的球都能被捏响。此时,递给婴儿一个黄色球,捏球的机率就会上升。结果,实验数据与她的猜想是一致的。


婴儿认为,从绝大多数是黄色球的箱子里,取出一个蓝色球,是一种合理的随机取样。既然蓝色球能被捏响,那么,箱子里的其他球,比如,这个黄色球或许也能被捏响。在该取样条件下,婴儿捏黄色球的概率,相对于“选择取样”条件下(中),会显著增大(见红框标记处),图片经过编辑

图片来源:参考文献2


看来,15个月大的婴儿是一位思维缜密的统计学家,在做出判断前,十分看重取样的随机性。


 

Part.4

                       
不会玩or玩具坏了?这是一个问题

舒尔茨更惊人的发现于2011年被《科学》收录。实验思路是,婴儿想玩玩具,但多次尝试后都没有成功。那么,是自己不会玩还是玩具坏了呢?


图片来源:photocome


实验有两种对照情境,每种情境只支持其中一种可能性。她想知道,16个月大的婴儿能否依据不同的概率分布模式,进行相应的因果推理。


在两种情境中,舒尔茨及其研究助手都会给孩子示范玩具的玩法,即按住玩具顶部的机关,就会播放音乐。总共示范四次,每人尝试两次。其中,两次成功,两次失败。


所不同的是,在一种情境中,舒尔茨的两次尝试都失败,而研究助手两次示范都成功;在另一种情境中,舒尔茨和研究助手分别成功一次,失败一次。示范结束后,研究助手把这个玩具放在孩子面前,同时将一个新玩具放在一旁。


神奇的事情发生了:在前一种情境中,孩子认为成功的关键在于人。当自己尝试几次失败后,便向坐在旁边的妈妈求助;


而在后一种情境中,孩子认为能否成功,跟人没有关系,而与玩具本身有关。或许玩具时好时坏吧。当自己尝试几次失败后,就换新玩具玩。


当孩子认为问题在于人时(左),更可能会求助他人;当孩子认为问题在玩具本身时(右),则更可能会换玩具,图片经过编辑

图片来源:参考文献3


柏拉图曾问道:“我们如何得知关于这个世界的真理?”认知科学的回答是:当我们还是小婴儿时,大脑中似乎就已经预装了统计分析方法的程序。年幼的孩子能够无意识地运用因果推理机制,来理解周遭的世界如何运转。


作家马克·吐温曾这样风趣地描述科学的美妙:“只需琐碎的付出,就能得到一整套理论的回报。”雄心勃勃的科学家们希望能通过对婴幼儿的思维发展研究,来勾勒出人类认知地图的全貌。


来源:Pixabay


我们曾经都是年幼的孩子,从某种意义上说,探究如何成为现在的自己是一件无比神圣的事情。研究婴幼儿的心智潜能,让我们得以用全新的视角,去理解人类大脑的运作,并为人工智能的发展带来无限灵感。


难怪发展心理学家约翰·弗拉维尔曾感慨,如果能有机会透过孩子的眼睛去看世界,哪怕只有几分钟的时间,他也愿意不计代价去交换。




参考文献:


[1] 艾莉森·高普尼克 (2019)孩子如何思考浙江人民出版社

[2] Gweon, H., Tenenbaum, J.B., & Schulz, L.E.(2010). Infants considerboth the sample and the sampling process in inductive generalization. Proceedings of the National Academy of Sciences, 107(20),9066-9071.

[3] Gweon, H., & Schulz, L.E. (2011). 16-Month-OldsRationally Infer Causes of Failed Actions. Science, 332(6037), 1524.

[4] The surprisingly logical minds of babies

https://www.ted.com/talks/laura_schulz_the_surprisingly_logical_minds_of_babies






本文来源于”中国科普博览“公众号(kepubolan)


欢迎后台留言、推荐您感兴趣的话题、内容或资讯!

如需转载或投稿,请后台私信。

登录查看更多
0

相关内容

古希腊哲学家,和其学生柏拉图及柏拉图的学生亚里士多德被并称为希腊三哲人。他被后人广泛认为是西方哲学的奠基者。 苏格拉底相信「理想存在于一个只有智者才能了解的世界」。
WWW2022 | 迷途知返:分布迁移下的图神经网络自训练方法
专知会员服务
16+阅读 · 2022年2月19日
1370亿参数、接近人类水平,谷歌对话AI模型LaMDA放出论文
【干货书】概率,统计与数据,513页pdf
专知会员服务
129+阅读 · 2021年11月27日
【新书】感知和行动的贝叶斯模型,348页pdf
专知会员服务
67+阅读 · 2021年11月18日
专知会员服务
71+阅读 · 2021年10月15日
专知会员服务
109+阅读 · 2021年6月23日
【经典书】概率统计导论第五版,730页pdf
专知会员服务
233+阅读 · 2020年7月28日
Yoshua Bengio最新《深度学习》MLSS2020教程,附104页PPT及视频
专知会员服务
126+阅读 · 2020年7月10日
100小时法则:普通人逆袭的标配
36氪
0+阅读 · 2022年3月5日
大型语言模型,真的能够理解人类吗?
CSDN
0+阅读 · 2022年1月24日
不同于NLP,数据驱动、机器学习无法攻克NLU,原因有三
夕小瑶的卖萌屋
0+阅读 · 2021年8月20日
【因果关系】由模仿“人脑”转向“因果推理”
产业智能官
10+阅读 · 2018年7月13日
零基础概率论入门:最大似然估计
论智
12+阅读 · 2018年1月18日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Communication Bounds for Convolutional Neural Networks
Arxiv
0+阅读 · 2022年4月17日
VIP会员
相关VIP内容
WWW2022 | 迷途知返:分布迁移下的图神经网络自训练方法
专知会员服务
16+阅读 · 2022年2月19日
1370亿参数、接近人类水平,谷歌对话AI模型LaMDA放出论文
【干货书】概率,统计与数据,513页pdf
专知会员服务
129+阅读 · 2021年11月27日
【新书】感知和行动的贝叶斯模型,348页pdf
专知会员服务
67+阅读 · 2021年11月18日
专知会员服务
71+阅读 · 2021年10月15日
专知会员服务
109+阅读 · 2021年6月23日
【经典书】概率统计导论第五版,730页pdf
专知会员服务
233+阅读 · 2020年7月28日
Yoshua Bengio最新《深度学习》MLSS2020教程,附104页PPT及视频
专知会员服务
126+阅读 · 2020年7月10日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员