儿童语言学习效率远超LLM 为高效AI研发提供全新思路

2026年8月24日披露的MIT科技评论最新研究显示，当前主流大语言模型（LLM）习得同等通用语言能力所需的训练数据量，是人类儿童的数万倍以上，儿童的语言学习效率显著优于现有AI系统。该研究内容由科技记者Elise Cutts整理发布，结论或将推动AI训练范式革新，同时为儿童认知发展研究提供跨学科参考。

如果做一个直观的量化对比，当前GPT-4级别的通用大模型训练所消耗的语料已经超过1.2万亿token，覆盖了几乎所有公开的互联网文本、正式出版物及音视频转写内容；而一名6岁即可熟练使用母语交流的儿童，成长过程中接触到的有效语言输入仅为1000万token左右，二者的效率差已经超出了当前AI技术的解释框架。

此前AI领域普遍将大模型的语言能力归结为“大规模统计拟合”的结果，认为只要数据量、参数量足够大，模型就能不断逼近人类的语言水平。但这次的对比研究直接戳破了这一认知：哪怕是目前能力最强的闭源大模型，在语言的灵活运用、场景迁移、创意表达上，仍然逊于普通的学龄儿童，而后者消耗的学习资源还不到前者的十万分之一。

更令学界意外的是，即便研究人员控制了变量，让大模型只用儿童接触过的同量级语料训练，其最终掌握的语言能力仍然远远达不到同龄儿童的水平，甚至连基础的语法规则都无法完全掌握。