婴儿发展基础模型理论：动机与统计学习的整合视角

来自认知科学领域的研究人员针对婴儿发展阶段论争议，通过基础模型(foundation model)理论框架，揭示了婴儿学习机制中动机驱动(如好奇心)与统计规律学习的协同作用，证实大规模神经网络训练可产生超越传统统计学习的涌现能力，为发展心理学提供了新的计算建模范式。

　　

针对Cusack等人提出的婴儿发展阶段理论争议，Zettersten团队质疑了"从感知到目标导向行为"的阶段性发展假说。研究者们澄清，基础模型理论并非否定婴儿的动机能力——驱动这类模型学习的(目标函数)实际上能编码丰富动机，例如对意外事物的好奇心(Oudeyer & Kaplan, 2007³)。

更引人注目的是，这种学习机制能产生远超发育心理学常规认知的"统计规律"(如序列转换概率)的涌现知识。就像深度神经网络通过海量数据自监督训练后，竟能完成低资源语言翻译等意外任务(Bommasani等, 2021¹⁰)，当参数量突破百亿阈值时，网络甚至展现出语境化词汇理解、多步算术等链式推理能力(Wei等, 2022¹²)。这些发现暗示，婴儿认知发展可能涉及类似基础模型的复杂计算过程，只是需要更庞大的"数据燃料"和能量支持。