“人工智能（Artificial Intelligence，AI）”大概是近年来最火的概念之一了。在有些人眼里，人工智能已经比较成熟，毕竟柯洁都被“阿尔法狗”打败了，无人超市、智能点餐、AI写稿都在出现，可能一觉醒来我们的工作就要被AI取代了。但在另一些人眼里，家里的智能音箱会莫名其妙地搭茬，图像识别能被轻易干扰，无人驾驶汽车也是事故频出……人工智能最多算是个“人工智障”吧。
那么，人工智能将来会怎么发展呢？有人提出，人工智能要像婴幼儿一样。
AI的局限在哪儿？学习能力自上世纪中叶开始，科学家曾设想能否把知识直接塞进电脑，建造一种真正意义上的“人工智能”。一旦实现，这种人工的智能将与人类具有的自然智能相媲美，甚至强于任何人类“最强大脑”。
科学家将这种强大的人工智能称为“人工广义智能”（或称强AI），例如《终结者》中的“天网”系统，《黑客帝国》中的“矩阵”框架，以及《复仇者联盟》中的“奥创”等。与之相对的，我们日常生活中的各种狭义的人工智能，如语音助手，基于图片的网络搜索引擎，自动驾驶汽车系统等，即所谓的弱AI。相较之下，弱AI所能处理的问题比较死板、缺乏创造性，并且时常出错。
而在设想中，强AI不仅可以弥补弱AI的不足，它们甚至可以自主地学习知识、创造知识。但是，所谓的强AI至今还没有出现。
现如今，计算机学家运用“机器学习”（machine learning）算法，仅能使计算机自行对输入信息做出反应。比如给AI观看大量附有类别标记的动物图片，虽然算法不明白动物的概念，但它们可以依据视觉模式的统计特征，将新的图片进行归类，“认出”不同的动物。
计算机学家还结合了强化学习方法，使AI可以精通对抗性活动，如打游戏、下棋等。同样，算法不需要理解下棋策略本身意味着什么，它们只需要不断增大行动后获得的分数，便可达到赢棋的目的。然而，这些基于机器学习算法的AI存在两个不足：第一，学习成效受制于训练数据的数量与质量。第二，学习效果僵化，无法进行迁移。
所以，AI并不能弄清问题的实质，它们只是能熟练地解决问题而已，甚至有时还会被“对抗样例”（adversarial examples）轻易地愚弄。比如，如果一堆混乱的像素点符合“狗”的视觉模式特征，那么图像识别系统就会误将其识别成“狗”，但人类（即便婴儿）是不会做出这样的误判。不过，互联网技术的发展以及半导体工艺的改善，还是在某种程度上弥补了机器学习算法的一些局限。
大量社交媒体用户自觉地为AI提供了取之不尽的高质量训练数据，计算力强劲的芯片也确保了AI可以高效地处理如此海量的信息。但这些只是技术上补充，而非概念上的改进或变革。当前AI所表现出的低适应性仍是阻碍其进步的首要问题。前文提到的“人工广义智能”设想要求AI不过于依赖训练数据，能灵活地处理信息，自主地探索外部世界，并且能够进行举一反三地泛化学习。
等等，这听上去分明是在描述一个处于学习阶段的婴儿！
每个婴儿都是强大的学习者。“人工智能之父”Alan Turing曾坚信，要想实现“人工广义智能”，就需要建造一种“可以像儿童一样学习的机器”。事实上，婴儿是这世上最擅长学习的系统，他们学到的知识更具普遍性，所需的学习资料也更少、更凌乱。与基于机器学习算法的AI相比，婴儿学习的不同之处体现在下面几点：首先，婴儿的学习不需要大量的示例。其次，婴儿的学习并不依赖高质量的感官刺激。
最后，婴儿的学习不需要“监管者”的过多参与。
看来，婴儿的学习方式可能与当前AI的学习方式大相径庭。如果按照机器学习算法的方式，婴儿不仅会因为训练材料的数量与质量不佳而无法学习新事物，而且更不用提举一反三的泛化学习了。那么，婴儿是如何进行学习的？
近年来，加州大学伯克利分校的发展心理学家Alison Gopnik为人工智能研究者和爱好者介绍了许多接地气儿的婴幼儿研究，普及了发展心理学对人类学习问题的独到见解。尽管婴幼儿研究的内容听上去并不那么极客范儿，但其成果却能给人工智能研究带来意想不到的启示。
婴儿的学习方式Gopnik教授结合自己以往研究和发展心理学领域的众多成果，提出了一套颇具婴儿特色的学习系统——MESS系统（Model-building, Exploratory, Social learning System），寓意着婴儿将要在“一团糟”的混乱世界中进行学习。这个系统刻画了婴儿学习的三个独特之处，揭示了婴儿成功的秘密，也启示了未来AI的发展方向。
首先，基于建模（model-building）的学习。其次，探索式（exploratory）学习。最后，社会性（social）学习。
如何让AI做得像婴儿一样好？首先，未来的AI需要像一岁半的孩子那样，对周围物理世界与社会世界的特征有基本的理解。其次，未来的AI需要像孩子一样对外部世界抱有好奇心。最后，未来的AI需要像人类一样，得有些“人”味儿。
结语人工智能被认为是“第四次工业革命”的核心技术之一，也是目前各国科技竞争的焦点。2018年，美国国防高级研究计划局（DARPA）启动了一系列关于人工智能的研究项目，其中一项有趣的选题是研发“机器常识”（Machine Common Sense，MCS），希望从发展心理学研究的成果中寻找启示，力图给AI赋予一些人类的基本认识，以强化其自主学习和解决问题的能力，使其可以像人类一样具备真正的智慧。
通过本文的介绍，人们不难理解“人工智能研究”与“婴幼儿研究”，这看似相差十万八千里的两个领域竟有可能交汇起来。虽然人类离真正意义上的智慧机器还差得很远，不过没关系，我们不一定非要让AI复制出人类的智慧，我们更希望AI可以帮助人类变得更聪明。为了建造更有用的AI，比如好奇型AI或模仿机器人，最好的办法还是多从我们的婴儿身上寻找线索吧。
也许，发展心理学研究可以使人工智能研究的“春天”得以延续，而人工智能研究兴许也能让发展心理学研究走出“寒冬”。