你是否想过如何描述颜色？最新研究显示，人类使用离散符号来记录颜色，并在细化颜色时添加其他信息。这背后有什么道理呢？研究表明，利用两个神经网络可以揭示这一现象。
尽管人类世界拥有数千种语言，但表示不同颜色的方式却非常一致。
例如，许多语言有两个截然不同的单词来表示红色和橙色，但几乎没有语言能为不同的橙色调提供多个常用词。
想象一下，如果每种口红色号都有一个独特的名称，记忆起来将会非常困难。
语言学研究人员利用数学工具分析发现，颜色名称的一致性源于人类在语言上优化以平衡精确交流和记忆负担。
使用额外的颜色词会增加复杂性，但并不会显著提高沟通效果。
最近的AI研究表明，当两个人工神经网络被要求创造一种方式来互相交流所见的颜色时，它们也会像人类一样在复杂性和准确性之间找到平衡。
此外，研究团队发现，准确描述连续颜色空间时，仅使用离散的“颜色语言”是有效的。
这引出了一个有趣的推测：是否“离散”的符号语言更适合交流，而不是动物的“连续”叫声？
模型实现过程
首先，建立两个神经网络，一个负责说（speakeR），一个负责听（listeneR），并设计一个“沟通游戏”：在每轮中，speakeR从连续的颜色空间中看到一种颜色，然后输出一个符号（可视为一个“单词”）。listeneR则可能看到相同或不同的颜色作为噪声输入。
listeneR接收到speakeR输出的单词后，尝试输出正确的颜色片段。最初，speakeR随机生成单词，经过训练后，每个单词代表了颜色空间中的一部分。
研究团队多次重复实验，通过改变目标颜色与噪声颜色的相似度来调整任务难度，产生了多样的颜色命名“词汇表”。
在训练结束时，研究人员分析了这些词汇，发现AI生成的颜色词与人类语言的特性相似。此外，这两种语言都接近于在复杂性和准确性之间找到最佳平衡的边界（图中的黑线）。
后续实验显示，当允许神经网络使用连续符号而非离散符号进行交流时，复杂性与准确性之间的最佳平衡便不复存在。
尽管两个神经网络仍能通信，但交流效率显著降低。
语言或许是人类最独特的特征，我们在日常生活中频繁使用，却常常未加思考。
研究表明，先进的人工智能模型不仅在实际应用中有价值，还可以作为实验工具，帮助回答有关人类语言及认知的科学问题。
