Science：让AI学习婴儿生命最初1000天所听到的声音，还原人类是如何学会说话的

撰文丨王聪

编辑丨王多鱼

排版丨水成文

大语言模型（LLM）通常需要先在海量文本上训练，才能产生语言输出，但之后它们就能够写出复杂的文章。相比之下，人类儿童从极为有限的语言输入中学习，起初一次只能说几个词，随后逐渐增加。此外，大语言模型的训练条件也与人类儿童的自然经验存在显著差异。

2026 年 11 月 4 日，普林斯顿大学的研究人员在国际顶尖学术期刊 Science 上发表了题为：The first 1000 days: Modeling language learning from individual children’s everyday speech 的研究论文。

为了模拟人类儿童的学习经历，研究团队利用 8 名儿童出生后最初 1000 天的纵向家庭录音数据来训练 AI 模型——每个 AI 模型的白天输入相当于每个儿童一天内所听到的内容，夜间则回放截至当时的累积输入。采用这种训练方式，每个儿童对应的 AI 模型学习速度与该儿童基本一致。AI 模型的学习依赖于密集的每天输入以及对近期输入的回放，这表明经验相关过程与记忆相关过程均不可或缺。这些发现表明，日常经验中已包含支持语言学习的充分结构，并为检验发育理论确立了儿童个体化建模的方法。

儿童从每天听到的语言中学习理解和产出言语，但日常经验如何塑造学习，仍是一个悬而未决的问题。现代人工智能（AI）语言模型表明，语言可以从数据中学习，然而它们训练所用的输入量远超任何儿童所听到的内容，且训练方案与儿童实际的学习方式截然不同。要理解儿童如何从日常经验中学习语言，需要构建以儿童方式学习的计算模型——从个体儿童可获得的真实世界输入出发，并在符合现实发育的时间尺度上进行。

为了验证这一想法，研究团队使用了“最初 1000 天”项目（First 1000 Days project）中的超密集家庭录音：在 8 名儿童出生后的最初 1000 天内，为每名儿童收集了数千小时的日常语音。研究团队为每个儿童分别构建了一个学习模型，这些模型对语音或词汇没有任何先验知识。每个模型仅从该儿童可获得的语音中学习，并按语音原本经历的时间顺序逐日处理。训练遵循符合发育规律的时间安排，随着儿童清醒时间逐渐增加（即每天的睡眠时间逐渐减少），每天语音暴露量也逐步增加；同时会在每天结束时回顾近期语音，以模拟睡眠在记忆巩固中可能发挥的作用。随后，研究团队测试了这些模型是否学会了不同的语音和词汇，以及它们的学习进度是否与该儿童的发育轨迹相吻合。

以这种方式训练的模型，大约在模拟的第一年内就学会了区分英语语音，并进而构建了包含数千个单词的词汇量，其增长与每个儿童实测词汇量紧密同步。这一经验中有两个方面尤为重要。首先，输入密度至关重要：仅获得儿童每日录音一小部分的模型学会的单词要少得多，这很可能是因为许多日常词汇较为罕见，需要反复接触才能掌握。其次，夜间回放同样重要：即使每日输入非常丰富，获得很少或没有回放的模型也难以学会单词。同一建模框架不经任何修改即可适用于全部 8 名儿童。在该框架内，三个内部模型参数控制着学习的速度，既能捕捉个体差异，也为学习机制如何与经验相互作用以支持语言习得提供了可解释的说明。

从单个儿童的日常言语经验中涌现词汇体系。该模型基于儿童出生后最初 1000 天里天的语音输入进行训练，先学会区分语音，再学会区分单词，逐步建立词汇量。从出生到幼儿期，该模型的词汇量增长轨迹与每个儿童实际测得的词汇量增长轨迹高度吻合。

总的来说，这项研究表明，单个儿童日常接触到的语言输入，结合受生物学启发的学习与记忆过程，足以提供足够的结构，以支持语言学习的核心方面。更广泛地说，该研究中的方法为将儿童如何学习的理论转化为计算模型提供了框架，这些模型可以直接与儿童在现实世界中的发育进行检验。

该图片由元宝生成

论文链接：

https://www.science.org/doi/10.1126/science.aeh9311

原标题：《Science：让AI学习婴儿生命最初1000天所听到的声音，还原人类是如何学会说话的》

阅读原文