布伦丹·莱克是纽约大学的认知科学家和教授，他在那里研究支撑人类学习和推理的计算原理，目标是构建更接近人类的人工智能。他的研究处于机器学习、认知科学和人工智能的交汇点，专注于机器如何从更少的示例中学习、更灵活地泛化，并以反映人类认知的方式获取概念。莱克尤其以他在概率程序归纳、“人类水平AI”挑战方面的工作，以及倡导将发展心理学的见解融入AI研究而闻名。
莱克在斯坦福大学完成了本科学习，在那里他对计算机科学和心理学都产生了早期兴趣。随后，他在麻省理工学院攻读研究生，师从Joshua Tenenbaum，获得了认知科学博士学位。他的博士研究集中于使用概率程序对人类概念学习进行建模，这一框架将概念视为结构化的生成模型。这项工作最终产生了多篇有影响力的论文，证明了人类如何能从极少的示例中学习复杂概念，而这是当时标准深度学习模型所缺乏的能力。
早期职业与学术职位
完成博士学位后，莱克在麻省理工学院和后来的纽约大学担任博士后职位，与心理学和计算机科学系的研究人员合作。2017年，他加入纽约大学，担任心理学系和数据科学中心的助理教授。他于2021年晋升为副教授，并于2024年晋升为正教授。他的实验室，即计算与认知实验室，专注于构建捕捉人类学习和推理能力的计算模型，强调组合性、因果性和直观物理学。
莱克还隶属于大脑、心智与机器中心（CBMM），这是一个由美国国家科学基金会资助的多机构研究中心，旨在通过结合神经科学、认知科学和计算机科学来理解智能。通过CBMM，他与Joshua Tenenbaum和Melanie Mitchell等同事密切合作，探索当前AI系统的局限性。
主要研究贡献
莱克被引用最多的贡献之一是2015年发表在《科学》杂志上的论文“通过概率程序归纳实现人类水平的概念学习”，该论文引入了Omniglot数据集。该数据集包含来自50种不同书写系统的1,623个手写字符，旨在测试一次性学习。莱克和他的同事证明，一个贝叶斯程序学习模型可以从单个示例中学习新字符，并在分类任务上表现与人类相当，同时还能生成新的、类似人类的字符变体。这项工作强调了结构化知识和组合性的重要性，而这些在纯联结主义方法中往往缺失。
2016年，莱克与Joshua Tenenbaum等人合著了一篇被广泛讨论的论文，题为“构建像人一样学习和思考的机器”。该论文认为，AI应更多地借鉴认知科学，强调需要能够学习因果模型、使用直观物理学并推理未观察变量的模型。它提出了将深度学习与结构化概率模型相结合的路线图，这一主题在莱克后续的工作中持续发展。
莱克还对直观物理学和直观心理学的研究做出了贡献。他的研究探索了人类如何对物理事件进行预测，例如积木塔的稳定性，以及这些预测如何通过基于模拟的方法进行建模。他发表了关于物理模拟在人类判断中作用的论文，表明人们的期望与物理引擎的输出高度一致，暗示大脑可能执行近似模拟。
人类水平AI挑战
2022年，莱克提出了“人类水平AI”挑战，这是一个旨在测试AI系统能否在一系列认知任务上达到人类水平表现的基准。该挑战包括视觉概念学习、语言理解和社会推理等任务，借鉴了发展心理学的范式。莱克认为，当前的大规模模型尽管在狭窄任务上表现出色，但未能展现出人类认知的灵活性和鲁棒性。这一挑战已被多个研究团队采纳，作为评估向更通用AI进展的目标。
莱克一直是“仅通过扩展神经网络模型就能达到人类水平智能”这一观点的直言不讳的批评者。在演讲和论文中，他指出，即使是基于Transformer (architecture)架构的大型语言模型，也在组合泛化和因果推理方面存在困难。他倡导一种混合方法，将深度学习与符号推理和概率推断相结合，这一想法在更广泛的AI社区中获得了关注。
合作与跨学科工作
在他的职业生涯中，莱克强调了跨学科合作的重要性。他与发展心理学家合作研究儿童如何学习概念，与神经科学家合作理解认知的神经基础，并与计算机科学家合作开发新算法。他的合作延伸到Google DeepMind、OpenAI等领先AI实验室的研究人员，尽管他也对这些系统的局限性保持了批判性的视角。
莱克曾担任多家期刊的编辑委员会成员，包括《认知科学》和《机器学习研究杂志》。他还担任过NeurIPS、ICML和CogSci等主要会议的程序委员会成员。他的工作得到了美国国家科学基金会、国防高级研究计划局（DARPA）和西蒙斯基金会的资助。
教学与指导
在纽约大学，莱克教授计算认知科学和机器学习课程。他的课程以严谨著称，并鼓励学生批判性地思考AI模型背后的假设。他指导了众多博士生和博士后研究员，其中许多人后来在学术界和工业界任职。他的指导风格强调深入的概念理解和质疑主导范式的意愿。
莱克还积极参与公共宣传，在阿斯彭思想节等场所发表演讲，并出现在关于AI的纪录片中。他为大众媒体撰写了评论文章，主张采用更科学的方法来发展AI。他的公共参与旨在揭开AI的神秘面纱，并突出当前系统与人类智能之间的差距。
奖项与认可
莱克因其研究获得了多项奖项，包括认知科学学会的计算建模奖和斯隆神经科学研究奖学金。2020年，他被任命为CIFAR Azrieli全球学者，参与人工智能项目，该奖项旨在表彰具有卓越潜力的早期职业研究人员。他的论文被引用数万次，并经常受邀在国际会议上发表主旨演讲。
当前方向
截至2025年，莱克的研究继续探索如何构建像人一样学习和思考的AI系统。他最近的工作集中在开发衡量组合泛化的基准、研究人类如何学习抽象规则，以及调查语言在塑造思维中的作用。他还开始探索认知科学的见解如何为设计更可解释和可信赖的AI系统提供信息，这一主题随着AI在高风险领域的部署而日益重要。
莱克对AI造福社会的潜力保持乐观，但他告诫不要过度炒作当前的能力。他认为，实现人类水平AI将需要对人类认知有更深入的理解，而不仅仅是更多的数据和计算。他的愿景是，AI系统建立在源自认知科学的原则之上，从而产生能够以真正智能的方式学习、推理和与世界互动的机器。
精选出版物
莱克最具影响力的出版物包括：
- Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.
- Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253.
- Lake, B. M., & Baroni, M. (2018). Generalization without systematicity: On the compositional skills of sequence-to-sequence recurrent networks. ICML.
- Lake, B. M. (2019). Compositional generalization through meta-sequence-to-sequence learning. NeurIPS.
这些工作塑造了关于泛化本质和AI研究未来的辩论。
对领域的影响
莱克坚持将认知科学带回AI，影响了新一代研究人员。他对深度学习的批评促使许多人重新考虑大规模模型背后的假设。虽然有些人认为他的观点过于悲观，但另一些人则认为这是对该领域将规模等同于智能倾向的必要纠正。他在Omniglot上的工作已成为少样本学习的标准基准，而他关于概率程序的想法也启发了众多后续研究。
总之，布伦丹·莱克是倡导以更以人为本的方法发展人工智能的主要声音。通过连接认知科学和机器学习，他为两个领域都做出了持久贡献，并继续挑战AI社区，使其目标超越单纯的模式匹配。