MIT CoCoSci
重新问 AI 的问题

在 AI 领域，Josh Tenenbaum 是一个特殊的存在：他对大语言模型最系统性的批评，是目前所有批评声音中最有实验数据支撑的一种。他的核心主张——用贝叶斯概率程序解释人类智能，而不是靠 scaling 堆参数——不是理论推测，而是建立在数十年儿童认知实验数据之上的判断。

CoCoSci 的研究核心问题是：人类为什么能从极少样本中学习概念？一个两岁的孩子看到三只不同的"狗"，就能识别第四只从未见过的品种；而主流大语言模型需要互联网规模的数据才能近似这个能力。CoCoSci 认为，这个差距不是参数量的问题，而是学习机制的问题——人类在用概率推断生成认知程序，而不是做统计模式匹配。

2015 年，Tenenbaum 团队在 Science 发表封面论文，首次用计算模型复现了人类的概念学习行为：系统通过概率程序归纳，仅从少量样本就能生成新的、可泛化的概念，被引用超过 3000 次，成为"少样本学习"研究的基石之一。2023 年，团队发表框架论文《From Word Models to World Models》（arXiv:2306.12672），质疑一个更根本的问题：语言模型真的等于智能吗？他们的答案是：语言是理解世界的入口，但世界模型本身必须包含物理、因果、心理等结构性知识，这些不是语言统计能够涌现出来的。

CoCoSci 不是反对 AI 的——实验室 2025-2026 年的最新工作，恰恰在把大语言模型和概率程序合成结合：用 LLM 生成候选程序，用贝叶斯方法筛选最优假设。这是一种利用而非对抗的姿态：语言模型作为直觉，概率推断作为理性。

概率程序归纳——2015 年 Science 封面论文展示：概率程序归纳模型在手写字符识别任务上仅需 1 个样本就能达到接近人类水平的识别率，而同期深度学习方法需要数千个样本。这个 gap 在 2015 年令人震惊，在 2026 年依然没有被完全解决。

直觉物理——CoCoSci 把物理引擎当作内嵌的"世界模型"，用贝叶斯推断在可能的物理场景中搜索最优解释，并构建了 ThreeDWorld 高保真三维物理仿真平台测试 AI 的直觉物理推理能力。一个在物理仿真环境中用结构化先验训练的模型，在真实物理推理任务上系统性超越了纯数据驱动的 CNN 模型。

直觉心理学（Theory of Mind）——2025 年，Tenenbaum 团队是 NeurIPS Theory of Mind 研讨会的核心组织者。CoCoSci 的测试方法能区分"真正的 ToM 能力"和"对 ToM 题目的语言统计记忆"——大型语言模型能"说出"正确答案，但用的机制不是人类的推理机制，这是大多数 LLM 评估基准无法区分的差异。

CBMM——Center for Brains, Minds and Machines 是 NSF 资助的 Science & Technology Center，为认知科学家和 AI 研究者提供长期合作的制度化基础，是商业 AI 公司不会自己建设的基础设施。

LeCun 和 Hinton 对 LLM 的批评主要基于理论直觉，Tenenbaum 的批评建立在数十年儿童认知实验数据上——这让 CoCoSci 在 AI 异见学派中占据了一个特殊位置：它的批评是实验性的，不是哲学性的，因此更难被忽略。

《From Word to World》不是技术突破，而是框架质疑：在 GPT-4 刚刚震惊世界的 2023 年，这篇论文问的是——我们真的在走向智能吗，还是只在走向越来越大的语言统计机器？这个问题当时被很多人忽略，但在 scaling 遇到瓶颈的年代，它的回声会越来越响。

CoCoSci 路线的风险是清晰的：如果 LLM scaling 持续有效、持续产生能力涌现，认知科学路线的紧迫性就会降低。但这个风险同时也是它的价值所在——当 scaling 遇到真正的天花板时，理解人类学习机制的研究将成为突破口。CoCoSci 不是在押注 scaling 会失败，而是在保存一种不同的思路。