Les bébés apprennent plus vite que les IA les plus puissantes du monde. Les chercheurs veulent savoir pourquoi.

Points clés

• Des chercheurs de Meta, de l'université Stanford, de l'université de Tokyo et de l'École Normale Supérieure de France ont lancé le défi EgoBabyVLM en 2025 pour tester l'IA par rapport à l'apprentissage des nourrissons.
• Les meilleurs modèles actuels de vision et de langage, des systèmes d'IA qui comprennent à la fois les images et le texte, ont échoué lorsqu'on leur a montré environ 1 000 heures de vidéos réelles enregistrées par des caméras placées sur la tête de bébés.
• Un benchmark distinct de 2023 appelé BabyLM a montré que l'IA peut égaler l'exposition linguistique d'un enfant de 10 ans en utilisant des dizaines de millions de mots, bien moins que les trillions que la plupart des modèles consomment.
• En 2024, un modèle élémentaire de vision et de langage a appris à reconnaître des objets simples comme un ballon en utilisant les vidéos de la caméra montée sur la tête d'un seul nourrisson.
• Des chercheurs de Stanford ont publié des résultats au début de 2025 montrant qu'une nouvelle architecture de modèle apprenait la relation de cause à effet à partir des mêmes données vidéo de bébé bien plus efficacement que l'IA standard.

Un enfant d'un an voit un chien, entend le mot une ou deux fois, et s'en souvient pour toujours. Un système d'IA de pointe ingère des milliards de phrases écrites et des millions d'images avant de pouvoir faire la même chose de manière fiable. C'est ce fossé qui alimente un domaine croissant de la recherche en IA.

Le défi EgoBabyVLM, développé par des chercheurs de Meta, Stanford, Tokyo et Paris, fournit aux modèles de vision et de langage, des systèmes d'IA entraînés sur des images et du texte écrit, environ mille heures de vidéo filmées par des caméras attachées à la tête de vrais nourrissons et tout-petits. L'objectif : comprendre le monde comme le ferait un bébé.

Tous les modèles les plus performants testés jusqu'à présent ont échoué considérablement.

La vidéo en est la raison. Les vidéos de caméra bébé sont désordonnées et chaotiques. Un parent parle d'un jouet qui a déjà quitté le champ de vision. Un adulte pointe du doigt quelque chose avec ses yeux, pas avec son doigt. Les conversations passent entre des événements passés et futurs plutôt que sur ce qui se passe maintenant. Les bébés absorbent tout cela par la vue, le son et le toucher simultanément. L'IA actuelle apprend principalement à partir de texte et d'images bien rangés et curés. L'écart se fait sentir.

« Il est clair qu'il faut plus que simplement du langage », affirme Michael Frank, un scientifique cognitif de Stanford qui étudie l'apprentissage du langage et a contribué à concevoir le défi.

Pourquoi est-ce important pour les gens ordinaires ?

Une IA plus petite et plus efficace coûterait moins cher à utiliser et consommerait moins d'électricité, ce qui signifie des prix plus bas et une empreinte environnementale plus légère pour les produits qui en dépendent. Les robots alimentés par l'IA qui apprennent comme les bébés pourraient aussi naviguer dans les maisons, les hôpitaux et les usines bien plus fiablement que les machines actuelles.

Le travail s'appuie sur des recherches antérieures. BabyLM, un benchmark introduit en 2023 par le linguiste Ryan Cotterell de l'ETH Zurich, a montré qu'une classe d'IA appelée modèles de transformateur, des systèmes qui comprennent le langage en suivant les relations entre les mots dans un texte, peuvent apprendre les règles de la grammaire à partir à peu près de la même quantité de texte qu'un enfant de 10 ans a rencontré. Des trillions de mots ne semblent apparemment pas nécessaires pour cette tâche particulière.

Le bon sens physique est une autre histoire. « Il n'y aura pas un large corpus d'interactions humaines », dit Cotterell, ce qui signifie qu'aucun ensemble de données géant d'expérience du monde réel n'existe pour entraîner de la manière qu'un ensemble de données de texte écrit le ferait.

Joshua Tenenbaum, un scientifique cognitif au MIT, l'exprime clairement. Les modèles de transformateur trouvent des motifs dans les données extrêmement bien. Mais la recherche de motifs seule ne semble pas suffisante pour construire la compréhension instinctive de la physique, des autres personnes et de la relation de cause à effet qu'un enfant de deux ans possède déjà.

La question ouverte est de savoir combien de cette compréhension est intégrée dans le cerveau humain par l'évolution, et combien tout système d'apprentissage pourrait acquérir par lui-même. Les chercheurs d'EgoBabyVLM soutiennent que l'emprunt d'idées issues de la science du cerveau, telles que l'aide aux modèles pour suivre des périodes plus longues et lire les signaux sociaux, pourrait pointer vers une réponse.