Babys lernen schneller als die leistungsstärksten KI-Systeme der Welt. Wissenschaftler wollen wissen, warum.

Wichtigste Punkte

• Forscher von Meta, der Stanford University, der University of Tokyo und der École Normale Supérieure in Frankreich starteten 2025 die EgoBabyVLM Challenge, um KI gegen das Lernverhalten von Säuglingen zu testen.
• Die besten aktuellen Vision-Language-Modelle, KI-Systeme, die sowohl Bilder als auch Text verstehen, schnitten schlecht ab, wenn ihnen etwa 1.000 Stunden echtes Videomaterial gezeigt wurde, das von Kameras auf den Köpfen von Babys aufgezeichnet worden war.
• Ein separater Benchmark namens BabyLM aus 2023 zeigte, dass KI die Sprachexposition eines 10-Jährigen mit Millionen von Wörtern erreichen kann – deutlich weniger als die Billionen, die die meisten Modelle verarbeiten.
• 2024 lernte ein einfaches Vision-Language-Modell, einfache Objekte wie einen Ball anhand von Videomaterial aus der Kopfkamera eines einzigen Säuglings zu erkennen.
• Stanford-Forscher veröffentlichten Anfang 2025 Ergebnisse, die zeigen, dass ein neues Modelldesign Ursache-und-Wirkung-Beziehungen aus denselben Baby-Kopfkamera-Videos deutlich effektiver gelernt hat als Standard-KI.

Ein einjähriges Kind sieht einen Hund, hört das Wort ein- oder zweimal, und merkt es sich für immer. Ein hochmodernes KI-System verarbeitet Milliarden von geschriebenen Sätzen und Millionen von Bildern, bevor es dasselbe zuverlässig kann. Diese Lücke ist das Rätsel, das einen wachsenden Bereich der KI-Forschung antreibt.

Die EgoBabyVLM Challenge, entwickelt von Forschern bei Meta, Stanford, Tokyo und Paris, stellt Vision-Language-Modelle – KI-Systeme, die mit Bildern und geschriebenem Text trainiert wurden – vor etwa tausend Stunden Videomaterial, das von Kameras aufgezeichnet wurde, die auf den Köpfen echten Säuglinge und Kleinkinder angebracht sind. Die Aufgabe: Die Welt so verstehen, wie es ein Baby tut.

Jedes bisher getestete Top-Modell hat deutlich Schwierigkeiten gehabt.

Das Videomaterial ist der Grund. Baby-Kamera-Videos sind chaotisch und ungeordnet. Ein Elternteil spricht über ein Spielzeug, das bereits aus dem Bildausschnitt verschwunden ist. Ein Erwachsener zeigt auf etwas mit den Augen, nicht mit dem Finger. Gespräche springen zwischen vergangenen und zukünftigen Ereignissen hin und her, statt sich auf das zu konzentrieren, was gerade passiert. Babys nehmen all das gleichzeitig durch Sehen, Hören und Tasten auf. Aktuelle KI lernt hauptsächlich aus ordentlich kuratiertem Text und Bildern. Die Lücke zeigt sich deutlich.

„Es ist klar, dass mehr als nur Sprache notwendig ist", sagt Michael Frank, ein Kognitionswissenschaftler an der Stanford University, der Sprachenlernen erforscht und bei der Gestaltung der Challenge mitgeholfen hat.

Warum ist das für normale Menschen wichtig?

Kleinere, effizientere KI würde weniger kosten zu betreiben und weniger Strom verbrauchen, was niedrigere Preise und einen geringeren Umweltfußabdruck für Produkte bedeutet, die darauf angewiesen sind. KI-gesteuerte Roboter, die wie Babys lernen, könnten auch Häuser, Krankenhäuser und Fabriken zuverlässiger navigieren als heutige Maschinen.

Die Arbeit baut auf früheren Forschungen auf. BabyLM, ein Benchmark, der 2023 von Linguist Ryan Cotterell von der ETH Zürich eingeführt wurde, zeigte, dass eine Klasse von KI namens Transformer-Modelle – Systeme, die Sprache verstehen, indem sie Beziehungen zwischen Wörtern verfolgen – die Grammatikregeln aus etwa der gleichen Textmenge lernen können, die ein 10-Jähriges kennengelernt hat. Billionen von Wörtern scheinen für diese spezielle Aufgabe nicht erforderlich zu sein.

Physikalischer Hausverstand ist eine andere Geschichte. „Es wird kein großes Corpus an menschlichen Interaktionen geben", sagt Cotterell, was bedeutet, dass es keinen großen Datensatz realer Erfahrungen gibt, mit dem man trainieren kann – wie es bei einem Textdatensatz der Fall ist.

Joshua Tenenbaum, ein Kognitionswissenschaftler am MIT, drückt es deutlich aus. Transformer-Modelle finden Muster in Daten äußerst gut. Aber Mustererkennung allein scheint nicht ausreichend zu sein, um das intuitive Verständnis für Physik, andere Menschen und Ursache-und-Wirkung-Beziehungen aufzubauen, das ein Zweijähriges bereits hat.

Die offene Frage ist, wie viel dieses Verständnis durch Evolution in menschlichen Gehirnen eingebaut ist und wie viel jedes Lernsystem eigenständig erwerben könnte. Die EgoBabyVLM-Forscher argumentieren, dass die Übernahme von Ideen aus der Hirnforschung – wie beispielsweise das Helfen von Modellen, längere Zeitspannen nachzuverfolgen und soziale Hinweise zu interpretieren – zu einer Antwort führen könnte.