普林斯頓AI聽約1000天孩童錄音，學會數千個詞，關鍵是夜間重播

普林斯頓大學的研究人員訓練了人工智慧模型，讓它們像孩童一樣學習口語詞彙：日復一日，從家中聽到的語音裡學習。根據EurekAlert轉發的普林斯頓新聞稿，這項研究於2026年11月5日刊登在《科學》（Science）期刊上，追蹤了在家中被錄音的孩童出生後大約前1000天的經歷。SingularityHub在11月12日報導了此事，葡萄牙媒體Pplware則在11月14日報導。

這裡所說的模型是一種神經網路：由多層簡單運算單元組成的程式，其連結在訓練過程中不斷調整。重播（replay）是這項研究的核心技術。在每個模擬日結束時，模型會再次聽到一部分它已經聽過的語音，這個做法的靈感來自人們認為睡眠能鞏固大腦記憶的方式，據SingularityHub報導。

研究人員蒐集了哪些資料？

據普林斯頓介紹，來自紐澤西州15個家庭的17名嬰兒在出生後的前三年裡被錄音，分析涵蓋其中8名孩童。EurekAlert報導指出，在大約1000天裡共蒐集了120萬小時的資料。SingularityHub補充說，每個家庭安裝了4到14台裝置，每天運作約12小時，而且在研究團隊設計的倫理架構下，家長保有撤回或刪除錄音的權利。

據SingularityHub報導，在去除雜訊、長時間靜默和重疊對話之後，研究團隊為每個孩子保留了最多6600小時的音訊，用來訓練一個個人化的模型。作為對照，該媒體指出，大型語言模型，也就是聊天機器人背後的系統，需要數十億個詞的文字。

為什麼模型需要一個夜晚的重播？

據SingularityHub報導，每個模型都從零開始：沒有英語語音清單，也沒有任何提示告訴它一個詞在哪裡結束、下一個詞在哪裡開始。它由兩個部分組成：一個把語音切成20毫秒片段的音訊編碼器，以及一個經過訓練、用來預測接下來會出現哪些聲音的預測解碼器。普林斯頓解釋說，模型是依序、一天一天地接收孩子的語音，而不是像典型神經網路那樣使用被打亂的資料。

最初的結果令人失望。據SingularityHub報導，普林斯頓的計算認知科學家哈達斯·拉維夫（Hadas Raviv）表示，僅僅讓模型接觸每天的語音流是不夠的。在每個模擬日結束時加入重播階段後，結果出現了改變。普林斯頓總結了模型所需要的東西：一整天的語音，日復一日，再加上一個用來重播的夜晚。

AI學到了什麼？速度有多快？

• 據SingularityHub報導，有了重播之後，模型先掌握了音位（一種語言的基本聲音單位），隨後才掌握反覆出現的詞。
• 據SingularityHub報導，在8名孩童的資料上，模型在15個月內學會了大約37個音位，並在兩歲之前開始辨識詞語，不同孩童的速度差異很大。
• 據SingularityHub和Pplware報導，到1000天前後，每個孩子對應的AI模型詞彙量已達到數千個詞。
• 據普林斯頓透過EurekAlert介紹，透過調整重播時的重複量和處理速度等參數，研究團隊得到了與每個孩子相吻合的詞義理解發展軌跡。

普林斯頓強調了其意義：心理學在很大程度上仰賴平均值，而能夠追蹤個別孩童的模型，為逐個孩子地研究發展打開了大門。新聞稿還指出，儘管孩子們接觸的語音差別很大，該模型在每個家庭中都學會了理解語言。

這項研究有哪些限制？

研究人員強調，這個AI並不完全像嬰兒那樣學習。據Pplware報導，孩童還會借助視覺線索、手勢和社交互動。SingularityHub補充說，該模型只透過聲音學習，也不像神經元那樣以平行且節能的方式處理資訊。據同一媒體表示，模型中哪些特徵反映了真實的嬰兒學習、哪些只是運算上的捷徑，仍有待釐清。所讀來源還說明樣本有限：只有來自紐澤西州家庭的8名孩童，因此是否適用於其他語言或環境尚未獲得證實。

這項研究有什麼用途？

據EurekAlert報導，普林斯頓團隊希望用這個模型測試睡眠多寡，或電視等不同類型語音的影響，並希望透過理解典型大腦如何學習語言，更妥善地診斷學習障礙。拉維夫表示，與追求超越人類表現的許多現代AI不同，他們的目標是理解人類如何學習。

Pplware和SingularityHub補充說，這種方法可能啟發出用更少資料學習的更高效AI模型。這只是一種假設，而不是研究的結果：兩個來源都沒有報告經過量測的資料或能耗節省。據SingularityHub報導，未參與該研究的馬克斯·普朗克心理語言學研究所的札拉·哈蒙（Zara Harmon）和卡洛琳·羅蘭（Caroline Rowland）寫道，這樣的工作使人們能夠在越來越真實的條件下對學習進行建模。

這對企業意味著什麼？

對臺灣的企業來說，這裡的一切目前都還不是產品：該模型是研究工具，而不是服務。有三點值得關注。第一，開發語音助理、語言學習應用程式或以語音為基礎的健康工具的團隊可以記住重播原則：它提示可以用連續的資料流並搭配定期複習來訓練，而不是只仰賴龐大的、被打亂的語料庫；這一點仍需在實驗室之外加以驗證。

第二是資料。對幼童在家中的持續錄音，需要一個允許家長撤回或刪除資料的架構，這對任何依據資料保護規則處理兒童語音資料的企業都是有用的參考。第三，關於能耗更低的說法目前仍未獲得證實，在公布經過量測的結果之前，不應把它寫進商業論證。