AI 學會「自言自語」：內在言語與工作記憶讓模型學得更快、更靈活

人會在心裡自言自語，整理想法、權衡選擇、把情緒說清楚。沖繩科學技術大學院大學（Okinawa Institute of Science and Technology, OIST）的新研究指出：類似的內在言語（inner speech），也能讓人工智慧學得更快、更能應付多任務與陌生問題。

這項成果發表於期刊 Neural Computation，第一作者為認知神經機器人研究單位的 Staff Scientist Jeffrey Queißer。ScienceDaily 於 2026 年 1 月下旬報導，核心訊息很直白：給 AI 一點「心裡嘀咕」的空間，再配上合適的短時記憶，學習就不再只靠堆資料與堆參數。

為什麼「跟自己說話」會影響學習？

研究團隊強調，學習成效不只取決於模型架構，也取決於訓練過程中系統如何與自己互動。Queißer 指出，透過重新組織訓練資料、刻意讓系統學會對自己說話，可以看見「自我互動」如何塑造學習動態。

實驗做法是把兩件事合在一起：

自我導向的內在言語：研究中形容為安靜的「喃喃自語（mumbling）」——系統在處理任務時，會產生類似內部對話的表徵。
工作記憶（working memory）：短時間內暫存、操弄資訊的能力，例如記住指令、心算、依序操作多個片段。

相較於只靠記憶模組的系統，加入內在言語後，模型在適應陌生情境、同時處理多項任務、以及整體彈性上，都出現更明顯的提升。

目標：內容無關的資訊處理

團隊長期關心的，是所謂 content-agnostic information processing——學會的是可遷移的規則與操作，而不是死背訓練時見過的例子。人每天都在快速切換目標、面對沒見過的問題；對多數 AI 來說，這仍是硬仗。

因此他們採取跨領域路線：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，重新思考「學習」可以長什麼樣子。重點不是讓模型記住更多題目，而是讓它在內部用語言式結構，組織當下該注意什麼、下一步該怎麼做。

工作記憶：多個暫存槽很關鍵

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

結果顯示，具備多個工作記憶槽的模型，在較難的任務上表現更好，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

當團隊進一步在訓練目標中，要求系統在內部「對自己說話」達到一定次數時，表現再往上跳一截。最大增益出現在多任務與多步驟場景——正是現實應用最常卡住的地方。

Queißer 特別提到一個實務上很吸引人的點：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。換句話說，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資料量。

從實驗室走向嘈雜的真實世界

目前多數測試仍在相對乾淨、可控的設定中。下一步，團隊打算把外部世界的複雜度納進來：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。

這條路線也呼應他們更大的科學目標：從神經層次理解人類如何學習。探索內在言語這類現象，一方面能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——它們必須在我們這個複雜、動態、不總是乾淨標註的世界裡做決定。

結語

這篇研究把一個很「人性」的習慣——心裡自言自語——變成可操作的訓練設計：內在言語加上多槽工作記憶，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。它提醒我們：下一代更像人的 AI，未必只靠更大模型與更多資料；系統如何與自己互動、如何暫存與重組資訊，同樣是關鍵槓桿。

對工程與產品團隊而言，值得關注的不是「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。內在言語不是魔法，但它可能是讓學習更接近人類發展路徑的一塊拼圖。

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）