孩子一岁听懂的母语句法，大模型要烧掉整座文字森林——这不是情怀对比，是Scaling Law的下一道墙。对模型实验室而言，公开语料池可能在未来十年见底，小语种与垂直行业更缺文本，「学得像孩子」正在从学术好奇变成工程刚需。
MIT Technology Review 8月24日发文梳理认知科学与AI交叉进展：儿童可在约1000万至3000万词暴露量内掌握语法，而前沿大语言模型预训练常需万亿级token，存在巨大data efficiency gap（数据效率缺口）。斯坦福认知科学家Michael Frank比喻：训练现代LLM的文本堆叠高度可超过国际空间站，而人类青少年一生阅读量仅约二十米纸厚。「用GPT-2训练3000万词，你得到的是胡言乱语器，不是孩子。」
研究路径包括BabyLM竞赛：在约1亿词「发展上合理」的语料上训练小模型，检验语法基准；2024冠军GPT-BERT在约1亿词上可击败部分更大模型，但仍远不及商用LLM，且缺乏儿童的多模态具身经验。学者认为，纯文本神经网络或许终将逼近语法，但要缩小效率差距，可能需要视觉、听觉与互动数据——SAYCam等婴儿头戴摄像头项目正尝试把「膝盖森林」的第一视角喂给模型。所谓数据效率缺口，白话是：同样达到可用语言能力，机器要比孩子多吃几个数量级的文字。
产业观察上，数据效率不只是实验室话题。能学得像孩子的模型，才可能进眼镜、机器人与边缘设备——那里既没有万亿token，也烧不起整机柜电。可以把它想成：大模型过去几年在「多吃」上卷赢，下一步可能要学「婴儿怎么吃」——少而精，且得用手眼嘴一起学。对开源与小语种社区，BabyLM式小样本训练也是降低门槛的方向；对具身智能，第一视角与互动数据或成为下一轮稀缺资产。
需要把边界读清楚。儿童与LLM学习目标不完全同构；BabyLM成果尚不能替代生产模型。下一观察点是多模态婴儿数据训练的可复现增益与伦理边界。