張瑞雄／台北商業大學榮譽講座教授
AI研究者重新把目光從龐大的AI資料中心轉向人類大腦，探討神經形態運算甚至腦類器官能否提供新的運算方向。而另一批研究人員也嘗試把大腦的空間記憶方式導入具身AI，希望機器不只會回答問題，還能在真實環境中觀察、記憶、移動與學習。AI競賽跑了這麼多年，科學家竟然開始回頭探討孩子甚至嬰兒的學習方式。
這並不令人意外，今天的大型語言模型可以寫程式、做數學題、翻譯、寫文章，某些能力遠超過幼兒，可是若比較「怎麼學會」這件事，孩子能力依然驚人。大型語言模型學習語言所接觸的文字量，可以遠超一個人學會母語過程所接觸的語言量，兩者形成明顯的資料效率差距。
小孩贏在哪裡
一歲幼兒不會甚麼東西，也不懂甚麼資訊，卻能在極有限的接觸下快速認識世界。他可能只看過一兩次杯子，就逐漸知道不同大小、顏色、材質的杯子仍然屬於同一類東西。他不是坐在螢幕前讀進數十億個token，而是摸、抓、丟、聽、看，從父母的表情、聲音與反應中不斷修正理解。
這使我們不得不懷疑，今天AI的驚人成就，是否仍帶有某種「暴力」的色彩。資料不夠就增加資料，模型不夠好就擴大參數，算力不足就增加GPU，電力不夠再蓋電廠。這條路確實創造了生成式AI革命，卻也把人工智慧帶進高資本、高能源與高運算需求的發展模式。
人腦提供了完全不同的參照，人腦大約只需要20瓦功率，卻能持續學習，並迅速因應環境變化。如果未來AI若能從人腦找到新的學習機制，AI競爭的遊戲規則就可能改變。
身體也是老師
孩子另一項優勢是身體的感知能力。
現在的大型語言模型主要從符號、文字、影像與影音資料理解世界，可是孩子從出生第一天起，就生活在具有重量、距離、疼痛、阻力、溫度與因果關係的世界。他伸手碰觸到到玩具，身體就已經提供了一次學習。他把積木推倒，又得到一次因果經驗。這些看來不起眼的活動，累積成對真實世界的直覺。
這對機器人尤其重要，家用機器人不可能先看完全世界所有家庭的資料才開始工作，它必須進入一個從未看過的家庭，就必須知道桌子在哪裡、什麼東西容易碎、哪個房間不能進去。利用類似生物的地標、路徑與空間記憶結構，可以提升機器人在陌生環境中的導航與泛化能力。
因此，下一代AI的重要進展，可能不只是模型知道更多，而是能用更少資料形成更好的世界模型，並能從經驗推廣到新的情境。
向嬰兒借智慧
人類花了數十年，希望機器愈來愈像人，走到今天，最先進的AI研究卻提醒我們，人類最平凡的學習方式可能蘊藏著尚未破解的智慧。
嬰兒沒有GPU叢集，沒有數兆字的訓練資料，也沒有龐大的資料中心算力。他靠著有限的感官、身體與經驗，在很短時間內建立對世界的理解。孩子顯示了一種令人著迷的可能性，人類可以用遠少於AI的資料完成高度複雜的學習。
未來AI若能學到這種能力，影響將不只限於模型成本下降。它可能帶來更省電的AI、更能適應陌生環境的機器人，以及不必依賴無止境資料餵養的智慧系統。
AI愈來愈強之後，人類開始發現，智慧未必等於知道得最多，也未必等於算得最快。能從很少的經驗看懂很多事情，能把知識帶到從未遇過的情境，能透過身體與世界互動而持續修正自己，或許才是人類留給人工智慧最難的一堂課。