摘要：人工智能系统正在以令人惊讶的方式模仿人类大脑的学习机制，这一发现可能彻底改变我们对智能本质的理解，并为开发更直观、更可信赖的AI工具开辟全新路径。布朗大学最新研究揭示，AI系统整合快速灵活学习与渐进式学习的方式，与人类工作记忆和长期记忆的协作模式存在惊人的相似

信息来源：https://techxplore.com/news/2025-09-similarities-human-ai-intuitive-insights.html

人工智能系统正在以令人惊讶的方式模仿人类大脑的学习机制，这一发现可能彻底改变我们对智能本质的理解，并为开发更直观、更可信赖的AI工具开辟全新路径。布朗大学最新研究揭示，AI系统整合快速灵活学习与渐进式学习的方式，与人类工作记忆和长期记忆的协作模式存在惊人的相似性。

这项发表在《美国国家科学院院刊》上的研究成果，不仅为理解人类认知机制提供了新的计算视角，更为构建下一代AI系统指明了方向。研究团队通过12000个复杂任务训练AI系统发现，机器学习中的情境化学习能力只有在经历大量渐进式学习后才会显现，这与人类从新手到专家的认知发展轨迹高度吻合。

双重学习模式的认知奥秘

人类学习新知识时会采用两种截然不同的策略：快速的情境化学习和缓慢的渐进式学习。当我们学习井字游戏规则时，往往能在观看几个示例后迅速掌握要领，这种快速适应新情况的能力体现了情境化学习的特征。相比之下，掌握钢琴演奏技巧则需要数月甚至数年的持续练习，体现了渐进式学习的本质。

图片来源：Unsplash/CC0 Public Domain

布朗大学计算机科学博士后研究员杰克·拉辛领导的这项研究，首次系统性地探讨了这两种学习模式在AI系统中的相互作用机制。拉辛同时在布朗大学卡尼脑科学研究所和人工智能助理交互研究所任职，这种跨学科背景使他能够从独特的角度审视机器学习与人类认知的共通性。

"这些结果有助于解释为什么人类在某些情况下表现得像基于规则的学习者，而在其他情况下则像渐进式学习者，"拉辛表示。"它们也揭示了最新AI系统与人类大脑的一些共同之处。"

研究团队采用元学习方法训练AI系统，这种技术能够帮助AI"学会如何学习"。通过这种方法，研究者发现AI系统的情境学习能力并非天生具备，而是在经历大量渐进式学习任务后自然涌现的高级认知能力。

实验验证的突破性发现

为了验证人类与AI学习机制的相似性，研究团队设计了一项巧妙的实验。他们教授AI系统识别一系列颜色和动物，然后测试其是否能够正确识别之前从未见过的颜色-动物组合，比如绿色长颈鹿。这种重新组合已知概念应对新情况的能力，是衡量情境学习水平的重要指标。

实验结果令人振奋：经过12000个类似任务的元学习训练后，AI系统成功获得了识别新颖组合的能力。更重要的是，这种能力的获得过程与人类专家技能形成的轨迹高度相似。布朗大学计算机科学副教授艾莉·帕夫利克用桌游学习类比解释了这一现象："玩第一款桌游时，你需要较长时间才能弄清楚规则。但当你学会第一百款桌游时，即使面对全新游戏，也能快速掌握要领。"

这一发现揭示了学习能力发展的一个重要规律：情境化学习的灵活性建立在渐进式学习的坚实基础之上。无论对人类还是AI而言，只有通过大量的基础学习积累，才能获得快速适应新情况的高级认知能力。

研究还发现了学习过程中一个有趣的权衡现象：AI系统完成任务的难度越大，越容易记住解决方案以备将来使用。这与人类学习中错误驱动的长期记忆形成机制完全一致。布朗大学认知与心理科学教授迈克尔·弗兰克指出，错误会提示大脑更新长期记忆中的信息，而无错误的流畅表现虽然增强了灵活性，却无法以同样方式激活长期记忆巩固过程。

神经科学与AI技术的双向启发

这项研究的意义远超纯粹的学术探索，它为神经科学和人工智能两个领域都提供了宝贵洞察。从神经科学角度来看，AI系统的学习行为为理解人类大脑的工作机制提供了新的计算模型。弗兰克表示："我们的研究结果在多项任务中都十分稳健，并将神经科学家迄今尚未归为一类的人类学习不同方面整合在一起。"

传统神经科学研究往往将工作记忆和长期记忆视为相对独立的系统，但这项研究表明，它们之间存在着比以往认识更加紧密的协作关系。AI系统中情境学习与渐进学习的相互作用，为理解这种协作机制提供了可计算的理论框架。

从AI技术发展角度来看，这一发现为构建更加智能和直观的AI系统指明了方向。当前大多数AI系统在设计时往往偏重某一种学习模式，要么专注于快速适应，要么强调长期积累。研究结果表明，真正智能的系统需要有机整合这两种学习方式，让它们相互促进、协调发展。

这种整合式设计理念已经在一些前沿AI研究中得到应用。例如，最新的大语言模型开始采用多阶段训练策略，先通过大规模预训练建立知识基础，再通过少样本学习获得快速适应新任务的能力。这与研究发现的"渐进学习为情境学习奠定基础"的规律高度契合。

可信AI发展的新范式

研究成果对开发可信赖AI系统具有重要指导意义，特别是在心理健康、教育、医疗等需要人机密切协作的敏感领域。帕夫利克强调："为了拥有有用且值得信赖的AI助手,人类和AI的认知需要相互理解各自的工作原理，以及它们之间的差异和相似之处。这些发现迈出了重要的第一步。"

可信AI的核心在于可预测性和可理解性。当AI系统的学习行为与人类认知模式高度相似时，用户更容易预测系统的反应，从而建立信任关系。这种认知兼容性不仅提升了人机交互的自然度，还降低了AI系统产生意外行为的风险。

在心理健康应用中，这一原则显得尤为重要。AI治疗助手需要能够像人类治疗师一样，既能快速适应患者的个性化需求，又能基于长期积累的专业知识提供建议。研究发现的双重学习模式为开发此类系统提供了理论基础。

教育技术领域同样受益于这一发现。智能教学系统可以模仿优秀教师的认知模式：通过长期教学经验积累专业知识，同时快速适应每个学生的学习特点。这种设计理念有助于开发更加个性化和有效的教育AI工具。

未来研究的广阔前景

这项研究开启了多个令人兴奋的研究方向。首先是更深入理解不同学习模式转换的触发机制。什么条件下AI系统会优先使用情境学习？什么情况下更依赖渐进学习？这些问题的答案将有助于设计更加智能的自适应学习算法。

其次是探索学习模式个体差异的计算基础。人类在学习策略选择上存在显著个体差异，有些人更偏向快速试错，有些人则倾向于系统性积累。理解这些差异的计算原理，将有助于开发真正个性化的AI系统。

研究团队还计划将这一框架扩展到更复杂的认知任务中，如创造性思维、道德推理等高级认知能力。如果这些能力的发展也遵循类似的双重学习模式，那么我们对智能本质的理解将发生根本性变革。

此外，这项研究也为脑机接口技术发展提供了新思路。通过建立人类与AI认知过程的精确对应关系，未来的脑机接口系统可能实现更加自然和高效的信息交换。

随着人工智能技术在社会各个领域的深度应用，理解AI与人类认知的相似性和差异性变得愈发重要。布朗大学的这项研究为这一理解奠定了坚实基础，预示着一个人机协作更加和谐、AI技术更加可信的未来正在到来。

来源：人工智能学家