Los bebés aprenden más rápido que los sistemas de IA más potentes del mundo. Los científicos quieren saber por qué.

Puntos clave

• Investigadores de Meta, Stanford University, la Universidad de Tokio y la École Normale Supérieure de Francia lanzaron el EgoBabyVLM Challenge en 2025 para poner a prueba la IA contra el aprendizaje infantil.
• Los mejores modelos de lenguaje visual actuales, sistemas de IA que entienden tanto imágenes como texto, fracasaron rotundamente cuando se les mostraron aproximadamente 1.000 horas de video real grabado desde cámaras colocadas en las cabezas de bebés.
• Un punto de referencia separado de 2023 llamado BabyLM encontró que la IA puede igualar la exposición lingüística de un niño de 10 años utilizando decenas de millones de palabras, muchas menos que los billones que consumen la mayoría de los modelos.
• En 2024, un modelo básico de lenguaje visual aprendió a reconocer objetos simples como una pelota utilizando video de la cámara en la cabeza de solo un bebé.
• Investigadores de Stanford publicaron hallazgos a principios de 2025 mostrando que un nuevo diseño de modelo aprendió causa y efecto física a partir de los mismos datos de video de bebé de manera mucho más efectiva que la IA estándar.

Un niño de un año ve a un perro, oye la palabra una o dos veces, y la recuerda para siempre. Un sistema de IA de última generación ingiere miles de millones de oraciones escritas y millones de imágenes antes de poder hacer lo mismo de manera confiable. Esa brecha es el enigma que impulsa un sector creciente de la investigación en IA.

El EgoBabyVLM Challenge, desarrollado por investigadores de Meta, Stanford, Tokio y París, proporciona a los modelos de lenguaje visual, sistemas de IA entrenados con imágenes y texto escrito, aproximadamente mil horas de video grabado desde cámaras colocadas en las cabezas de bebés y niños pequeños reales. La tarea: comprender el mundo tal como lo hace un bebé.

Todos los modelos principales probados hasta ahora han tenido dificultades graves.

El video es la razón. El video de bebé-cámara es desordenado y caótico. Un padre habla sobre un juguete que ya ha salido del encuadre. Un adulto señala algo con los ojos, no con el dedo. Las conversaciones saltan entre eventos pasados y futuros en lugar de lo que está sucediendo en este momento. Los bebés absorben todo esto a través de la vista, el sonido y el tacto simultáneamente. La IA actual aprende principalmente de texto e imágenes ordenadas y curadas. La brecha es evidente.

"Es evidente que se necesita más que solo lenguaje", dice Michael Frank, científico cognitivo de Stanford que estudia el aprendizaje del lenguaje y ayudó a diseñar el desafío.

¿Por qué importa esto para la gente común?

Una IA más pequeña y eficiente sería menos costosa de ejecutar y consumiría menos electricidad, lo que significa precios más bajos y una huella ambiental más ligera para los productos que dependen de ella. Los robots impulsados por IA que aprenden como lo hacen los bebés también podrían navegar por casas, hospitales y fábricas de manera mucho más confiable que las máquinas actuales.

El trabajo se basa en investigaciones anteriores. BabyLM, un punto de referencia presentado en 2023 por el lingüista Ryan Cotterell de ETH Zurich, mostró que una clase de IA llamada modelos transformadores, sistemas que entienden el lenguaje rastreando relaciones entre palabras en un texto, pueden aprender las reglas gramaticales de aproximadamente la misma cantidad de texto que ha encontrado un niño de 10 años. Aparentemente, no se requieren billones de palabras para esa tarea en particular.

El sentido común físico es una historia diferente. "No va a haber un corpus grande de interacciones humanas", dice Cotterell, lo que significa que no existe un conjunto de datos gigante de experiencia del mundo real para entrenar de la manera que existe un conjunto de datos de texto escrito.

Joshua Tenenbaum, científico cognitivo del MIT, lo expresa claramente. Los modelos transformadores encuentran patrones en datos extremadamente bien. Pero encontrar patrones por sí solo no parece ser suficiente para construir la comprensión instintiva de la física, otras personas y causa y efecto que un niño de dos años ya tiene.

La pregunta abierta es cuánta de esa comprensión está integrada en los cerebros humanos por evolución, y cuánta podría adquirir cualquier sistema de aprendizaje por sí solo. Los investigadores del EgoBabyVLM argumentan que tomar prestadas ideas de la neurociencia, como ayudar a los modelos a rastrear períodos de tiempo más largos y leer señales sociales, podría apuntar hacia una respuesta.