人類學習的最菁華特點，凝結在孩子身上。
人工智慧時代，當我們越來越熟悉機器學習，我們也就越來越對人類孩子的學習充滿驚嘆。如果沒有和人工智慧對比，我們可能還察覺不到這種不尋常的能力。
人類的學習從嬰兒期就開始，一直持續到成年，甚至終身。與AI的學習方法相比，人類孩子的學習有一系列非常獨特的學習特徵，與人工智慧相比，有下面幾個明顯的特別優勢：
＠小數據學習vs.大數據學習
孩子是小數據學習。與人工智慧對比，小孩子的學習能力高效得驚人。人工智慧學習認鴨子，需要看數百萬張鴨子的圖片，小孩子只需要看兩三張就夠了，下次就能認出來。而且不僅僅是生活中有可能出現的熟悉的事物，小孩子看圖片認袋鼠、無尾熊－－北半球的小孩子可能從來沒機會見到真的──也是一樣高效。
這種能力與「抽象認知」能力相關。人類記住某些事物，是以非常抽象的方式提取關鍵特徵，記憶成「模式」。這是如何做到的，現在還是謎。預言學家雷．庫茲韋爾猜想，人類記憶「模式」是存儲在大腦的三億個柱狀結構中。且不管他的猜想是不是正確，我們只要知道人類的這種模式識別能力的強大，就足以發出感嘆。
到目前為止，電腦「深層學習」仍然需要海量數據，人工智慧對每一件事的學習都要足夠多的數據支援。因而很多人說「未來最寶貴的資源將是數據」，如果得不到足夠的數據，人工智慧就很難發展。對於一些有海量現存數據的領域，這是自然而然的事情，例如金融、醫療；但是人類社會生活還是有諸多領域缺乏足夠多數據紀錄，人工智慧一時就很難習得。對人情世故的理解也往往受限於數據。人類擁有「從經歷中學習」的能力。當一件事發生，做為單一的事件數據，人類就能學習到很多規律。在事件學習方面，人類不僅不需要很大的樣本數據，就可以「吃一塹長一智」，甚至可以超額學習，也就是「舉一反三」。
＠聯想學習vs.邏輯學習
人類的思考總是充滿聯想跳躍。我們通常認為走神是缺點，但其實也是優點。人工智慧學習一個領域的知識，會局限在這個領域內，按照這個領域內的數據，尋找相關聯繫，尋找因素之間的相互影響。如果存在邏輯規則，人工智慧學習毫無難處。人工智慧在一個領域內得到的知識很難聯想或類比到其他領域，因為它們並不具備多個領域的知識記憶。
人類的語言裡充滿類比和聯想。當我們說起時代變化，我們說「風起雲湧」的時代，表明時代的劇烈變化；當我們說起事態嚴重，我們說「山雨欲來」，暗示即將有大變化。天氣和我們討論的政治經濟趨勢毫無關係，但是所有的這些比喻之所以能成立，是因為人能注意到事物背後相似的部分，這些相似性也很抽象，如風雲的變幻感和趨勢感，這種相似性人工智慧難以想到或理解。
類比並不僅僅是文學修辭，它是我們的思維方式，在知識領域同樣有用。我們的知識發展很大程度上是靠類比和聯想。邏輯演繹能保證我們在一個領域內推導出真知，但是根據哥德爾不完備定理，一個領域內總有一些基礎公理是不能自我推導的。這就是說，每個領域至少有一些基本假設，要「無中生有」，而「無中生有」的來源，往往是從原有的領域類比而來。
有價值的類比實際上是發覺深層的結構，外在的資訊無關，不意味著深層的機理無關。愛因斯坦的廣義相對論，由自由落體的電梯類比而來，把整個地球類比於電梯，得到了令人瞠目結舌的對宇宙的新知。電梯和宇宙結構之間的關係，就是用跨領域聯想找到深層原理。
＠習慣化學習vs.重複學習
小孩子總是三分鐘熱度，一件事情喜歡上兩天就不喜歡了。要是人工智慧，我們可以讓它念唐詩念上一年都不厭倦，但小孩子能堅持三、五天就很了不起了。
厭倦來自一種心理學特徵：習慣化。習慣化是指：大腦對於新奇的刺激有本能的興奮，人的注意力喜歡追隨新奇刺激，一旦一個新鮮資訊變得習慣了，大腦就感到厭倦，不再加以注意。嬰兒身上就展現出這種特徵，心理學家給三、四個月大的嬰兒看螢幕上的畫，如果是他覺得奇特的，他就目不轉睛盯著看，如果是已經看得習慣的畫，他就不怎麼看了。科學家就是用這種方式測定嬰兒的本能知識。
習慣化反映了大腦的學習過程。「注意力」是大腦的稀缺資源，大腦總是要把注意力「投資」在最最值得的地方。一旦一個知識學會了，融入了自己的知識框架，大腦就要把注意力投資到其他地方。習慣化實際上就是學會之後的注意力轉移。這種習慣化也正是形成「常識」的過程。大腦有常識體系，一旦一個資訊是「反常識」的，大腦就加以注意，新知識變成常識的一部分之後，注意力就向其他新知識轉移。大腦注意力永遠向新異資訊轉移，這種傾向實際上是創新的本能。
人工智慧學同樣的知識、做同樣的練習，永遠都不會厭倦，好處固然是永遠可靠地工作，但問題在於，如果注意力永不厭倦地放在已經學會的知識上，還有什麼動力去學習新知識？有很多人說，人類大腦的「自動化」過程是一種懶惰，但實際上，它是「自動化」舊過程，以便搜索新資訊。大腦就是在學習與搜尋的過程之間永恆切換。這是創新的推動力。
＠試錯學習vs.優化學習
人工智慧學習的過程，是在尋找最優解。而人類小孩會犯錯，甚至會故意犯錯。ＡＩ會小步試錯，但最終目標始終是尋找全局最優的解答。它不斷根據最終的答案調整步驟，直到所有參數都有利於獲得最佳答案。人工智慧計算永遠都是可靠的，每次提出同樣的問題都得到同樣的解答，如果不特意安排它出錯，它不會出錯。
小孩子的思路走不了那麼遠，他更多是從現狀出發，東試一下，西試一下。有的時候，嘗試的過程中他發現了另外的問題，給出另外的答案，不一定是最優解，但會帶來新的洞見。另外一些時候，他故意做錯，只是覺得按照另一種方式做更有意思。
故意犯錯很多時候是在體驗自主的樂趣。有時候犯的錯誤需要糾正，例如：二加二不等於五，但有更多時候，錯誤沒有任何關係，而是開啟了另外一道門。
＊作者郝景芳為2016年雨果獎中短篇小說獎得主，得奬作品為〈北京折疊〉。1984年生，小說作家，經濟研究員。2002年進入清華大學物理系學習，2013年獲得清華經濟學博士學位。曾出版長篇小說《流浪蒼穹》、《生於一九八四》，短篇小說集《孤獨深處》。創立兒童通識教育專案「童行計畫」。
