也许我们可以从 AI 身上学到的一件事

3blue1brown频道的数学教育者格兰特·桑德森最近推出了一系列关于“压缩即智能”这一理念的视频。他探讨了信息论及其与人工智能的关系，虽然这个系列目前只有几集，但我已经非常欣赏其整体框架：能够从现实世界中提炼出更本质的东西，并以一种有用的方式将其与其他事物联系起来，这正是智能的本质。

每当我遇到那些我认为很聪明的人时，常常会听到他们说：“是啊，我在学校的时候没怎么用功。”我这里所说的“聪明”，并不是指他们无所不知，而是指他们学习速度快，善于传授知识，能够先抽象地描述一个概念，再结合实例加以说明，然后深入细节，而且整个过程都显得毫不费力。

所以，这些人似乎确实不需要花太多时间学习，这听起来是个合理的解释。不过，我最近开始思考，也许因果关系恰恰相反——也就是说，他们之所以“聪明”（按我的定义），正是因为没有死记硬背。

别急着说我疯了，在此之前，我想先谈谈我们是如何训练人工智能的，尤其是机器学习领域中的记忆与泛化问题。

在训练几乎所有的人工智能系统时，我们往往要花费大量精力去防止它们单纯地记住数据。这种现象有时被称为过拟合，还有一种类似的情况叫作捷径学习。

比如，给神经网络一张蜜蜂的图片，让它识别“这是一只蜜蜂”。许多朴素的方法只会去寻找图像中的一小块像素模式，然后记住“只要看到这些像素就是蜜蜂”。

这样的模型毫无实用性，通常只能对那张特定的蜜蜂图片有效，而对其他蜜蜂却一筹莫展；于是，它在训练集上表现惊艳，但在测试集上却惨不忍睹。

我们真正希望模型做到的是泛化——学会“蜜蜂有这些颜色和形状，有翅膀，有这么多条腿”，并且进一步理解“腿是一种……的东西”，“翅膀是一种……的东西”，以此类推，直到最基本的像素层面。

之所以这么做很难，是因为在错误的激励下，单纯记忆往往显得“更容易”。我们通常是逐步迭代地训练模型，每一步只需要让模型在有限的几张图片或样本上表现更好。

既然仅仅记住一些像素规则就能应对这32张图片，又何必去寻找那种优美而可泛化的表征呢？正因如此，机器学习领域的重大进展往往来自于如何阻止模型陷入记忆，或者如何引导它们将已记住的概念进一步泛化。

现在回到我们人类自身。我就以自己为例吧（没错，写这篇文章时没有借助任何AI，只是最后做了几次拼写检查）。我一直讨厌死记硬背。

也许是多动症的缘故，但原因并不重要——我从没背过乘法口诀，也讨厌在语言课上记单词，更懒得记住各种公式（为此我特别感激很多科目允许使用公式手册）。

我总是希望能凭借直觉解题，在考试中通过从基本原理出发一步步推导来得出答案。在很多情况下，这也是我唯一的选择——因为我不做大部分作业，所以只能这样。

对于语言这类学科，这种方法行不通，所以我几乎挂科了。比如法语里，阳性与阴性的规则几乎没有一致性。因此，我成了那种“没怎么用功”的人，但我依然每节课都到，会问很多问题，而且从不记笔记。

相反，我会让自己的思绪随着老师的讲解自由游走，试着把讲授的内容与自己已有的知识联系起来（当然，偶尔我也承认自己可能在刷手机）。

如今，我是一名系统架构师，仍然不擅长记住琐碎的小事，也不愿意强迫自己去掌握那些细小、随意的细节。我把它们称为“偶然的复杂性”，并尽量避之不及。

但我的学习速度很快，而把握全局的能力在我的工作中极为宝贵。我并不认为某种思维方式就一定比另一种更好，但我想通过这篇博文表达的核心观点是：在教育孩子、设计课程时，我们应该更加谨慎地选择所鼓励的学习方式。

我大胆地提出：当前我们过于强调记忆，这反而可能抑制人们在学习过程中发展出对本质的理解。这只是我的推测，但如果每一次错失泛化的机会都会降低下一步泛化的价值，那么总有一天，即便从整体上看拥有更扎实的直觉会更有利，你也几乎不会再有那样的需求了。

我暂时还没有关于教学改革的具体设想，但这确实与我所欣赏的教师类型颇为契合。格兰特·桑德森本人就是一个很好的例子——他总是努力培养学生的根本直觉，同时也意识到，激发好奇心（比如通过引人入胜的故事线）是实现这一目标的最佳途径之一。

希望这篇文字能让你有所收获。这个想法本身是我对多个主题的泛化：教师如何教学、机器学习领域的演进，以及人脑的学习方式——这些都是我在学术环境中接触过的，但我始终拒绝单纯记忆。

也许这只是一堆勉强关联的抽象杂谈（对此我也不否认自己偶尔会写这种东西），但也可能蕴含着某种本质上的道理。至于哪种说法更接近事实，就交由你来判断吧，欢迎留言讨论给你。

本文首发于威尔逊博客。