导读 想象一下，一个孩子第一次参观农场，看到绵羊和山羊。他们的父母指出哪个是绵羊，帮助孩子学会区分两者。但如果孩子再次参观时没有得到这样...
想象一下，一个孩子第一次参观农场，看到绵羊和山羊。他们的父母指出哪个是绵羊，帮助孩子学会区分两者。但如果孩子再次参观时没有得到这样的指导，会发生什么?他们还能区分它们吗?
神经科学家 Franziska Bröker 正在研究人类和机器如何在无人监督的情况下学习(就像孩子自己学习一样)，并发现了一个谜题：根据某些条件，无人监督的学习既可以促进进步，也可以阻碍进步。该论文发表在《认知科学趋势》上。
在机器学习领域，算法依靠无监督数据蓬勃发展。它们分析大量没有明确标签的信息，但仍能学习有用的模式。这一成功引发了一个问题：如果机器能以这种方式学习得如此好，为什么人类在类似情况下会挣扎?
根据最近的研究，答案可能在于我们如何在没有反馈的情况下做出预测并强化这些预测。换句话说，结果取决于我们对任务的内在理解与任务实际要求的匹配程度。
研究表明，人类和机器一样，会利用预测来理解新信息。例如，如果有人认为羊毛是绵羊和山羊之间的关键区别，他们可能会错误地将羊毛山羊归类为绵羊。当没有人纠正这个错误时，他们的错误预测会得到强化，这使得学习正确的区别变得更加困难。这种“自我强化”过程可能导致滚雪球效应：如果他们最初的猜测是正确的，学习就会得到改善——但如果是错误的，他们可能会陷入错误信念的循环中。