新研究发现，人类和人工智能在整合灵活学习与增量学习这两种方式上存在相似之处，这一发现为人们理解学习机制以及开发更直观的人工智能工具提供了新视角。该研究由布朗大学计算机科学博士后研究员杰克·鲁辛领导，成果发表在《美国国家科学院院刊》上。

杰克·鲁辛介绍：“这些结果有助于解释人类在不同情境下展现出规则学习者或渐进学习者的特性，同时也揭示了人工智能系统与人类大脑的共通之处。”研究指出，人类获取新信息的方式依据任务不同而有所差异，既有快速掌握规则的“情境化”学习，也有基于现有信息渐进加深理解的持续学习。尽管此前已知人类和人工智能会整合这两种学习形式，但具体协同机制尚不明确。

为验证理论，鲁辛采用“元学习”方法，梳理两种学习类型的关键特性。实验表明，人工智能系统在通过多个示例进行元学习后，情境学习能力显著提升。一项改编自人类实验的测试中，人工智能在接受12,000个类似任务挑战后，成功识别出从未见过的颜色和动物组合，如绿色的长颈鹿。这表明，对人类和人工智能而言，一定量的增量学习后，会出现更快、更灵活的情境学习。

研究还发现，人工智能在学习记忆与灵活性之间存在权衡，与人类相似。布朗大学卡尼脑科学研究所迈克尔·弗兰克称，错误提示大脑更新长期记忆信息，而情境学习虽增加灵活性，却无法以同样方式激活长期记忆。该团队构建的计算模型显示，分析人工神经网络中不同学习策略的优势和劣势，可为理解人类大脑提供新见解。

这项研究不仅深化了人们对学习机制的认识，还为开发直观、可信的人工智能工具，特别是在心理健康等敏感领域，提供了重要参考。艾莉·帕夫利克说：“为了拥有有用且值得信赖的人工智能助手，需了解人类和人工智能认知的异同，这些发现是重要的一步。”

更多信息： Jacob Russin 等人，《人类认知与神经网络的并行权衡：情境学习与权重学习之间的动态相互作用》，《美国国家科学院院刊》(2025)。期刊信息： 美国国家科学院院刊