Joshua Brett Tenenbaum（生于1971年）是麻省理工学院计算认知科学教授。他因对数学心理学和贝叶斯认知科学的贡献而受到认可，尤其以开发概率模型来解释人类如何从有限数据中学习和推理而闻名。他的工作弥合了认知心理学与人工智能之间的鸿沟，旨在使机器学习更接近人类般的灵活性和效率。
Tenenbaum领导着麻省理工学院的计算认知科学实验室，并且是麻省理工学院“智能探索计划”的首席研究员。他于2019年被授予麦克阿瑟奖，基金会强调他在应用统计建模研究人类认知方面的开创性作用，以及他致力于解决“心智如何从如此少的信息中如此快速地理解如此多内容”这一挑战。
早年生活与教育
Tenenbaum在加利福尼亚长大，他的母亲是一名教师，父亲Jay Martin Tenenbaum后来成为互联网商务先驱。父母对教学和学习的兴趣塑造了他早期的智力方向，后来在耶鲁大学本科期间与认知心理学家Roger Shepard的互动进一步强化了他对感知和推理的关注。
他于1993年获得耶鲁大学物理学学士学位。随后，他前往麻省理工学院攻读研究生，并于1999年完成博士学位。他的博士研究集中于将概率推断作为人类认知的模型，这一主题将定义他的职业生涯。
学术生涯
完成博士学位后，Tenenbaum加入麻省理工学院任教，成为计算认知科学教授。他隶属于计算机科学与人工智能实验室（CSAIL），并领导计算认知科学小组。他的实验室使用贝叶斯模型和行为实验，研究人们如何推断因果结构、学习概念以及从稀疏示例中进行泛化。
2018年，R&D Magazine将Tenenbaum评为年度创新者，以表彰他在认知科学和人工智能领域的跨学科方法。次年，麦克阿瑟基金会授予他奖学金，引述了他在学习、推理和感知的概率建模方面的工作。他的研究还包括教AI系统模仿人类面部识别以及编程机器理解因果关系。
研究贡献
Tenenbaum的核心贡献是将贝叶斯推断应用于认知科学。他认为，心智执行概率计算以推断感官输入的最可能解释，并从有限示例中进行泛化。这一框架已被用于建模概念学习、因果推理和感知组织，为人类认知提供了统一的解释。
他在“学会学习”和层次贝叶斯模型方面的工作影响了机器学习，提出了构建从少量示例中获取新概念的系统的方法，这一能力对标准深度学习方法仍然具有挑战性。他与Brendan Lake等研究人员合作开展了“人类水平概念学习”项目，该项目展示了概率程序如何从单个示例中学习手写字符。
贝叶斯认知科学
Tenenbaum是贝叶斯认知科学的核心人物，该领域将大脑视为执行概率推断。他的模型通常将先验知识与似然函数相结合，以预测人类在分类、因果推理和决策等任务中的判断。这些模型已根据行为数据得到验证，表明它们既能捕捉平均反应，也能捕捉个体差异。
他工作中的关键思想是认知的“理性”分析，即假设人类行为在计算约束下近似最优统计推断。这一视角在数学心理学中具有影响力，启发了新的实验范式和定量方法。
人工智能与人类认知
Tenenbaum的研究旨在缩小人工与人类智能之间的差距。他认为，当前的神经网络和大型语言模型擅长模式识别，但缺乏人类所拥有的组合性、因果性和直观物理理解。他的实验室探索将概率模型与深度学习相结合的混合方法，以实现更稳健的泛化。
他参与了麻省理工学院的“智能探索计划”，该计划旨在推进机器和人类智能。通过这一项目，他提倡AI应建立在认知科学原理之上，例如世界的直观理论，而非纯粹统计相关性。
奖项与认可
除了麦克阿瑟奖学金外，Tenenbaum还因其跨学科工作获得了众多荣誉。他一直是认知科学学会的会士，并担任心理学和机器学习领域主要期刊的编辑委员会成员。他的论文在认知科学和AI领域被广泛引用，反映了他在多个领域的影响力。
他于2018年获得的R&D Magazine年度创新者奖突显了他改变AI研究的潜力。麦克阿瑟基金会的引文特别指出他在展示概率模型如何解释人类学习的速度和灵活性方面的作用。
出版物与影响
Tenenbaum在其麻省理工学院网页和Google Scholar上维护着他的出版物列表。他引用最多的作品包括关于概念学习、因果归纳和直观物理的贝叶斯模型论文。这些出版物塑造了计算认知科学的研究议程，并被寻求构建更类人系统的AI研究人员所采用。
他的影响延伸到概率编程语言的发展，这些语言提供了表达复杂生成模型的工具。他倡导将这些语言作为认知模型与机器学习实现之间的桥梁。
遗产与未来方向
Tenenbaum的工作建立了一个将认知理解为概率推断的框架，影响了心理学和AI。他正在进行的研究继续探索机器如何获取物理和因果的直观理论，以及如何从少量示例中学习。截至2020年代初，他的实验室仍在积极开发将符号推理与统计学习相结合的模型。
他对AI的愿景是系统具备常识和推理未见情境的能力，借鉴人类认知的原理。这一议程使他成为创造不仅强大而且可理解且与人类思维过程一致的人工智能努力中的领军人物。