南非威特沃特斯兰德大学的一项新研究揭示了语言如何在代际传承中逐渐演变为更具结构化的形式。该研究由计算机科学与应用数学学院德文·贾维斯博士领导，通过构建类似儿童大脑的计算机模型，并结合“迭代学习”理论，成功模拟了语言演化的过程。迭代学习认为，语言在代代相传中会因学习者的认知特点而变得更加有序。 研究人员发现，计算机模型与儿童一样，倾向于从复杂数据中提取特定结构，且随着代际传递，数据集因更易于学习而自发形成结构。贾维斯博士以企鹅为例指出，儿童在学习初期常因过度概括而产生错误，如认为所有鸟都会飞。这些错误促使他们修正认知，最终建立更精确的层级知识体系。在语言传递中，类似的认知偏差导致难以学习的部分被遗忘，而结构清晰、易于掌握的部分被保留和复用，从而推动语言向更高效的结构进化。 研究团队利用深度线性神经网络模拟这一过程，结果显示，只有具备足够深度和复杂结构的网络才能成功捕捉语言规律，而浅层网络则无法做到。这一发现强调了学习系统的架构及其环境丰富度对语言习得的关键作用，也解释了为何现代人工智能模型高度依赖规模来涌现出复杂能力。 相关成果已发表于《美国国家科学院院刊》，题为《深度线性网络中的迭代学习涌现出组合性与系统性》。该研究将儿童发展模型与语言学理论相结合，证实了语言演化是为适应特定学习机制而形成的。这一发现不仅深化了对人类语言起源的理解，也为人工智能领域的认知机制研究提供了重要启示，表明跨学科交叉是探索认知基本原理的关键路径。