會「心裡嘀咕」的 AI：內在言語加工作記憶，學得更快也更會換任務

人在心裡碎碎念，常被當成壞習慣；但其實這種內在對話，幫忙整理思緒、比較選項、把模糊感覺說清楚。沖繩科學技術大學院大學（Okinawa Institute of Science and Technology, OIST）的新研究把同樣的直覺帶進人工智慧：當模型被訓練成能「跟自己說話」，再配上合適的短時記憶，學習效率與任務彈性會明顯提升。

成果刊登於 Neural Computation，第一作者為認知神經機器人研究單位的 Staff Scientist Jeffrey Queißer。ScienceDaily 在 2026 年 1 月下旬整理這篇研究，核心主張很乾脆：AI 的進步不只靠更大架構，也靠訓練過程中系統如何與自己互動。

把「自言自語」寫進訓練流程

研究團隊把兩項機制綁在一起：

自我導向的內在言語（inner speech）：文中形容為安靜的「喃喃自語（mumbling）」。模型在解題時，會產生類似內部對話的表徵，用來組織當下該注意什麼、下一步怎麼做。
工作記憶（working memory）：短時間內握住並操弄資訊的能力，例如記住指令、心算、依序處理多個片段。

相較於只強化記憶模組的系統，加入內在言語後，模型在適應陌生情境、同時處理多項任務，以及整體靈活度上都更有優勢。Queißer 指出，透過重新安排訓練資料、刻意教系統對自己說話，可以看見「自我互動」如何塑造學習動態——架構重要，互動方式同樣重要。

真正想要的，是能遷移的規則，不是死背範例

團隊長期關心的是 content-agnostic information processing：學會可遷移的操作規則，而不是只背訓練時見過的例子。人每天都在快速切換目標、面對沒看過的問題；對多數 AI 來說，這仍是難關。

因此他們採跨領域路線，把發展神經科學、心理學，與機器學習、機器人學放在同一張工作台上，重新想像「學習」可以長什麼樣子。重點不是再塞更多題目進資料集，而是讓系統在內部用語言式結構，把注意力與行動步驟組織起來。

多個工作記憶槽，加上「對自己說幾次」

實驗先從記憶設計下手，比較不同工作記憶結構在難度遞增任務上的表現。這裡的工作記憶，被理解成短時「暫存槽」：能同時握住幾段資訊，並依正確順序操弄。

結果顯示，具備多個工作記憶槽的模型，在較難題上表現更好，例如：

反轉序列
重建特定模式
需要同時握住多段資訊、再依序操作的多步驟問題

當訓練目標進一步要求系統在內部「對自己說話」達到一定次數時，表現再往上跳。最大增益出現在多任務與多步驟場景——也就是真實應用最常卡住的地方。

Queißer 特別點出實務吸引力：這套結合系統能在**稀疏資料（sparse data）**下運作，不必仰賴通常用來換取泛化能力的海量資料集。它提供一條互補、相對輕量的路徑：用互動動態與記憶結構，換掉一部分對資料量的依賴。

下一步：從乾淨實驗走進嘈雜世界

目前多數測試仍在相對乾淨、可控的設定。團隊下一步打算納入真實世界的外部因素：噪音、動態變化、不完整資訊——這些才是人在日常生活裡真正學習的環境。

這條路線也呼應更大的科學目標：從神經層次理解人類如何學習。探索內在言語這類現象，一方面加深對人類生物與行為的理解；另一方面，也能把洞見落到應用，例如家用或農業機器人——它們必須在複雜、動態、標註永遠不完美的環境裡做決定。

結語

這項研究把一個很日常的人類習慣——心裡自言自語——轉成可操作的訓練設計。內在言語搭配多槽工作記憶，讓 AI 在切換任務、處理陌生問題、以及資料有限時，表現得更靈活。

對工程與產品團隊來說，值得追問的不是「AI 會不會變成會碎碎念的聊天機器人」，而是這類機制能否成為輕量泛化的另一條路，尤其在機器人、即時決策，以及難以蒐集完美標註資料的場域。更大模型與更多資料仍然重要；系統如何與自己互動、如何暫存與重組資訊，同樣是值得設計的槓桿。

出處改寫自：ScienceDaily — AI that talks to itself learns faster and smarter（原始研究：Queißer & Tani, Neural Computation, 2026; DOI: 10.1162/NECO.a.36）