下载掌阅APP，畅读海量书库
立即打开
A.戈普尼克
Alison Gopnik
1997年，在国家航空航天局（NASA）工作的空间科学家们发现了怎样通过分析从火星岩石反射的光线来确定火星是否存在过水。水会在岩石上留下碳的痕迹，这将影响岩石反射的光谱。科学家可以反过来从光的数据寻找碳，然后根据碳来确定水的存在。那年，在几千米以外的伯克利幼儿园，一个名叫克温（Kevin）的4岁小男孩儿也同样兴奋地发现了一台新机器是如何运转的。在机器上放一定组合的积木块儿（不能是别的东西），它就能奏响音乐。小克温根据这个事实反过来推测哪些木块儿能让机器响起来，然后他用这个发现来让它奏出音乐。在未来50年，我们将逐渐懂得克温和NASA的火箭专家们如何能够做出这些惊人的发现。问题的答案还将使我们换一种方式去思索科学、儿童、大脑，也许还有基因。
人类对周围的世界有许多了解。我们知道岩石、波浪、烤炉；知道兔子、棕榈树、牵牛花；知道父母、孩子、正牙医生——还有数不清说不完的人物、动物和植物。我们的知识大体说来是很准确的：我们能很好地预言烤炉、牵牛花和牙医的活动。当我们每天摁下“烘烤”按钮，在花园添加“神奇生长灵”
，或者预约病人的时候，都在运用这些预言。出生的时候我们什么都不懂，但不管怎么说，我们还是学会了。
我们也学日常生活以外的事物，如火星岩石、病毒和神经元。这些知识同样是非常准确的——足以让我们控制或至少减缓如天花和抑郁症等古老的疾病，更不用说秃顶、阳痿和偏头痛。
但我们怎么能懂那么多呢？毕竟，我们直接从世界得到的信息不过是打在我们视网膜上的一个个无穷小的光子和在我们耳膜振动的无规则的气流。从那样一点有限的而且显然毫不相干的信息，怎么可能得到真理呢？“真理”说起来像一个堂皇的形而上学的概念，其实我们都知道很多日常生活中的真理：热烤熟了面包，水滋润了花朵，病人失约惹恼了正牙医生。从心理学的观点看，这样的一些知识与理论物理学或天文学的知识是同样令人惊奇和疑惑的。一种类型的物理客体，如顶着颗头颅的一个皮囊，与另外类型的物理客体，如烤炉、牵牛花和正牙医生，两者之间的系列相互作用，如何能让一个去学会认识另一个呢？
近50年的发展心理学使这个问题变得更加疑惑。因为有了新技术，我们能比从前更多了解儿童的思维。看来，婴幼儿知道的和学习的都超出了我们从前的想象。到了三四岁的时候，他们已经大概知道了世界是怎么回事。一个小孩子，不会读，也不会写，连话都说不清楚，怎么能那么快地学会那么多的东西呢？这是学习的理论需要解释的问题。我们的学习能力不能仅仅归功于教育、训练或者什么专门的社会机构，它似乎还是我们人类本性的一个基本组成部分。
在过去的50年里，认知科学告诉了我们很多东西：我们关于世界的知识是什么样的；我们如何应用那些知识；那些知识是如何印入我们大脑的；发展认知科学还告诉我们知识如何随我们年龄的增长而改变。但我们还是不知道那些知识从哪里来，又如何能给我们带来我们外在世界的真实图景。学习的问题，与意识和浪漫的爱的问题一样，已经写进了认知科学教科书里“未解之谜”的一章。关于意识问题，我不相信我们能在50年里得到更多的认识，浪漫的爱就更难说了。不过，我想我们能实在地接近一个关于学习的科学解释。
我们能在另一个迥然不同的认知科学的领域找到那种解释的模型：人类的视觉。视觉问题是这样的：获取进入眼睛的光的模式，然后把那种信息转化为在空间运动的物体的精确表示。我们是如何解决这个问题的呢？进入眼睛的光如何与空间事物发生联系，人们似乎隐约做过一般的假设。例如，我们似乎不自觉地假定进入视网膜的光是三维世界的二维投影，我们就用这样的假设来解决视觉问题。我们从不认为我们生活在平直的世界，尽管那在逻辑上是可能的。实际上，婴儿似乎生来就相信那一点，例如，小宝宝在看见东西向他们逼近的时候，总会向后退缩。
不过真正有趣的还不在于我们认识了视觉的这件事，而在于通过假定那样的事实，我们就能发现许多意想不到的新的事实。我们不自觉地假定，视网膜的图像是三维物体的二维投影。根据这个一般的认识，我可以猜测现在我视网膜上的那个特殊图像，一定来自一根细棍连结的两个圆盘，它正以一个特别奇怪的角度躺在地板上。知道了这个事实，我可以解决我在现实中遇到的麻烦：没完没了地到处寻找我读书用的眼镜。
当然，这样的假定有时也会把我们引入歧途——特别是当某个邪恶的心理学家在制造幻觉的时候。不过，这些假定往往都是正确的，能让我们正确认识外在的世界是什么样子。
但是大脑怎么能做出假定呢？当大脑（或其他计算机器）接收一定输入时，我谈的那些假定会转化为对输出结果的约束。当我的视网膜以特别方式“亮”起来时，只有某些神经元（而不是所有的）能接着亮下去。神经科学家在动物注视一样东西的时候，可以记录它的视觉皮层上某些特殊细胞的输出结果，然后构造出一个网络图像。神经学研究说明了那些约束是如何发生作用的，那些计算又是如何在大脑中实现的。
在视觉科学中，不同的学科令人惊讶地走到一起来了。心理学家告诉我们从什么样的视觉信息形成什么样的物体表象；告诉我们什么模式的光打在视网膜上会产生什么样的感觉——问题就这样确定下来。然后，数学家告诉我们如何才能通过确定关于物体与光联系的非常一般的假定来解决那个问题。计算机科学家告诉我们那些解如何作为实际的物理机器运行的约束而实现。而神经科学家告诉我们那些解又如何在我们头盖骨下的那个特殊机器里实现。
同样的路线也有助于认识我们是怎样学习的：那就是，确定儿童和成人解决的问题，在一定假设下用数学得出那些问题的可能解，看那些解如何在计算机里实现，然后看它们最终如何在我们的大脑中实现。最近，来自不同学科的——科学哲学、人工智能、统计学和发展心理学——关于学习的新思想，也同样地走到一起来了。在未来50年里，这个认识的融合将产生一个羽翼丰满的关于我们学习的科学理论。
我们就从这个问题说起——它至少是出发点的问题之一。我们如何认识世界的因果结构——事物如何运动，一个事件如何引发其他的事件？在任何科学实践中，这当然是一个重要问题，而对幼小的儿童来说，它也是重要的。发展心理学已经证明，儿童懂得许多有关因果关系的事情。到三四岁的时候，他们就跟大人一样知道了烤炉、牵牛花和人。五岁的孩子比三岁的孩子知道得多，而七岁的孩子知道得更多。儿童跟科学家一样，似乎很容易学会新的因果事实。
不过，因果知识也代表了我们的经历与我们的学问之间的一道深广的鸿沟。哲学家休谟（David Hume）最早阐发了这个问题。我们所看到的不过是事件之间的可能事件。一类事件可能总是伴随着另一类事件发生，但我们怎么知道一个引发另一个呢？在现实生活中，因果关系很少只涉及两个事件的，可能有几十个事件以复杂的方式因果地联系在一起。在现实生活中，一个事件实际上通常不会总跟着另一个事件，而且我们也并不总是知道两个事件中的哪一个先发生。这样的不确定性和复杂性使我们日常的因果问题显得更加复杂。是烤炉电阻丝的烟烤熟了面包片，还是灼热的面包屑使烤炉的电阻丝冒烟？或者，我们把温度调得太高了，它在烤熟面包片的同时也使电阻丝冒烟？我们能看到的只是同时出现的一片混乱。
有什么办法来清理那一堆混乱吗？直观地说，我们可以做两件事情。我们可以做一系列实验：例如，我们把温度旋钮定在一个很高的温度，但烤炉里没有面包；或者，我们把灼热的面包屑洒在电阻丝上，但让温度保持在很低的状态。假如做不了实验，我们可以仔细去观察，确定电阻丝在什么时候冒烟，什么时候不冒烟。也许，不管有没有灼热的面包屑，它只在高温下才冒烟。或者，不管温度多高，它只在有灼热的面包屑时才冒烟。
当我们做这些实验或者观察的时候，我们也在假定系列之间的可能事件的发生模式是如何与它们之间的因果关系相联系的——正如我们假定二维视网膜图像如何与三维物体相联系。我们从没想过我们生活在平直的世界，同样，我们也没想过生活在没有原因的世界。当然，同视觉的情形一样，休谟的魔鬼也可能以某种方式安排那些可能事件来欺骗我们。但是，我们的进步却是因为我们不相信有那样的魔鬼——用爱因斯坦的话说，上帝虽然狡猾，却不邪恶。
卡内基—梅隆（Carnegie—Mellon）大学格里默（Clark Glymour）领导的一群科学哲学家与加州大学洛杉矶分校（UCLA）的计算机科学家皮尔（Judea Pearl）和他的同事们，开始创立一种数学形式来帮助我们跳出直觉，以严格的方式表述那些假定。我们可以借助所谓的定向无圈图（通常也叫贝叶斯网络图）
来思考因果关系。这些图告诉我们一个变量（如面包的状态）如何影响另一个变量（如热电阻丝的状态）。无圈图背后的基本假定是，如果一个事件引发另一个事件，那么当那个变量的数值改变时，另一个变量的数值也可能发生改变。如果面包屑导致电阻丝冒烟，那么烤炉里面包屑的存在应该更可能引起冒烟。我们可以用连接变量的箭头来表示这些因果关系。贝叶斯网络图假定了一些简单而普遍的因果关系模式（也就是箭头的模式）是如何与变量间的可能事件的模式相联系的。在温度旋钮、灼热的面包和冒烟的电阻丝之间，我们能画出三种不同的图像，相应于我们说过的三种因果假设：
A.温度旋钮＞灼热的面包＞冒烟的电阻丝
温度旋钮使面包发热，灼热的面包使电阻丝冒烟。
B.温度旋钮＞冒烟的电阻丝＞灼热的面包
温度旋钮使电阻丝冒烟，冒烟的电阻丝使面包发热。
C.冒烟的电阻丝＜温度旋钮＞灼热的面包
温度旋钮分别使电阻丝冒烟，使面包发热。
在一定的可能事件和因果性的基本假定下，每个因果结构对变量间可能事件的模式有着不同的意义。我们能通过实验和观察做出正确结论，也是因为这一点。举例来说，假如A是对的，我们把面包拿走，就不会看到温度与电阻丝之间有什么关系了；假如B或C是对的，我们还能看到那种关系；假如我们把旋钮定在低温，另外独立地加热面包，那么在A的情形，电阻丝会冒烟，而在B或C的情形则不会；假如把旋钮调到高温，但不让电阻丝冒烟，那么面包在A或C的情形下会发热，而在B则不会。同样，即使我们自己不做实验，不同的因果结构也能使我们在变量间看到可能事件发生的不同模式。数学的研究使我们具体认识了可能事件和原因之间的所有联系，它们的结构比我上面讲的那些要复杂得多。
这样的数学为我们提供了一种因果的逻辑。古典的演绎逻辑从几个关于推理的基本假定出发，把那些假定转化为一种数学方法，从而根据真的前提导出正确的结论。新的因果逻辑则做出几个关于因果性的基本假定，然后提出一个系统的方法来根据观察和实验导出正确的因果关系的结论。
计算机科学家已经开始把这种抽象的数学转化为能向现实世界学习的计算机程序。计算机与人之间的一大区别在于，计算机程序只能做我们首先要它做的。真正的图灵试验——检验计算机是否像人——不仅要求计算机像成人那样做事，还要求它学会根据儿童的经验来做这些事情。
在一定的可能事件的数据模式下面，计算机科学家将那些数学假定转换为对计算机可能产生的因果图模式的约束。根据这样的数学新思想，在NASA工作的计算机科学家可以设计一些程序让机器人单纯根据光谱仪的数据来认识火星岩石的组成，而不需要向地球上的专家请教。
上面所说的一切，离我们出发点的问题似乎太远：我们想知道寻常百姓——特别是普通的儿童——到底是怎么学习的，而不是只想知道高明的科学家、统计学家和计算机专家是怎么学习的。不过开始出现了一些证据，说明所有的学习者都可能对因果性与可能事件之间的关系做出相同的数学假定。心理学家在研究普通成人解决因果问题的方式时，已经独立发现了与哲学研究者相同的数学模型。
心理学家发现，即使只有两岁的儿童，也在运用同样的因果逻辑。我们可以向孩子们拿出跟烤炉相似的东西——一台以复杂和神秘方式发生某些事情的机器。有时我们把机器的一些特殊行为模式告诉小孩，有时我们让他们自己做实验去发现那些证据。然后我们看他们是否能发现机器是如何运转的。令人惊奇的是，孩子们能完全以模型所预言的方式，根据事实做出正确的因果结论——小孩儿真是天生的火箭科学家。当然，小孩跟科学家不同，他们一点儿也不知道自己是怎么得出那些结论的。
在未来的50年，一旦知道小孩和大人正在做什么计算，我们就能深入他们的大脑，看他们如何计算。随着脑图像技术越来越精确，对计算的认识越来越多，我们将开始去认识我们的大脑是如何设计来完成那些计算的。那个问题的答案也许关系着即将来临的神经科学的伟大突破。大脑最重要的事情是它为顺应环境条件而发生改变的能力，不过大脑的这些方面，正是我们知道得最少的。这就像我们对于死亡心脏的解剖结构什么都知道了，但是对于一颗活的沸腾着热血的心却几乎一无所知一样。大脑是最重要的学习器官，如果知道了学习是怎么进行的，我们就会知道大脑是怎么工作的。
还有，在接下来的50年中，关于思维和大脑如何学习的问题，答案可能会牵涉到更一般的发展的问题，即关于形态发展的问题。新千年的另一个未解的难题是，DNA的指令怎么能使一个简单的受精卵变成一个高度复杂的小生命？过去几年的遗传学研究告诉我们，基因组不可能是产生生命的一套具体的指令集合：它不是生命的蓝图。那么它又是如何发挥作用的呢？基因的作用并不太在于直接决定细胞做什么，而是更多地在细胞环境里激发一连串的因果行为，最终以可以预料的方式来影响细胞。例如，决定性形态的基因产生睾丸激素，然后通过睾丸激素以一定的方式作用于生命。有时候“魔鬼”可能出现，环境最终会变得跟基因“希望的”不一样，系统可能发生错误。但环境通常是可以预料的，基因组根据那些可以预料的事情来产生复杂的生命。
为了更好理解，我们可以把DNA指令看成一套密码，它隐含着细胞（不论在生命诞生以前还是以后）与环境（主要是其他细胞）相互作用的一般性假定。在心理学的情形，通过假定我们与环境的关系，我们建立了能很好适应那种环境的复杂结构。至少，我们相信这种一般性的方法也适用于生物学的情形。
然而，一个统一的学习理论的最大成功，也许在于说明最杰出的科学家与最普通的儿童原来参与了相同的事业。在20世纪的尽头，知识就像封建经济的土地和工业经济的资本，成了最有价值的货币。学习的新理论应该告诉我们，知识的获得，不仅仅是为了在今天残酷的竞争中赢得什么显贵的地位。从本来的（而不仅是修辞的）意义上说，知识是全人类与生俱来的权利。
戈普尼克（Alison Gopnik）
戈普尼克（Alison Gopnik）是伯克利加利福尼亚大学心理学教授。她是国际儿童学习领域的领头人，也是利用发展心理学帮助解决古老哲学问题的认知心理学家之一。她同Andrew Meltzoff合作写了《语言、思想和理论》（ Words, Thoughts, and Theories ），与Patricia Kuhl和Andrew Meltzoff合作写了《婴儿床上的科学家：思维、大脑和儿童是怎么学习的》（ The Scientist in the Crib：Minds, Brains, and How Children Learn ）。