I Bambini Imparano Più Velocemente dell'AI Più Potente del Mondo. Gli Scienziati Vogliono Sapere Perché.

Punti chiave

• Ricercatori di Meta, Stanford University, University of Tokyo e dell'École Normale Supérieure di Parigi hanno lanciato l'EgoBabyVLM Challenge nel 2025 per testare l'AI rispetto all'apprendimento infantile.
• I migliori attuali modelli di visione e linguaggio, sistemi di AI che comprendono sia immagini che testo, hanno fallito gravemente quando mostrati circa 1.000 ore di filmati reali registrati da fotocamere montate sulla testa dei bambini.
• Un benchmark del 2023 separato chiamato BabyLM ha scoperto che l'AI può corrispondere all'esposizione linguistica di un bambino di 10 anni utilizzando decine di milioni di parole, molto meno dei trilioni che la maggior parte dei modelli consuma.
• Nel 2024, un modello di visione e linguaggio di base ha imparato a riconoscere oggetti semplici come una palla utilizzando filmati dalla fotocamera sulla testa di un solo bambino.
• I ricercatori di Stanford hanno pubblicato risultati all'inizio del 2025 mostrando che un nuovo design di modello ha imparato la causa e l'effetto fisico dagli stessi dati video della fotocamera per bambino molto più efficacemente rispetto all'AI standard.

Un bambino di un anno vede un cane, sente la parola una o due volte, e se la ricorda per sempre. Un sistema di AI all'avanguardia ingerisce miliardi di frasi scritte e milioni di immagini prima di poter fare la stessa cosa in modo affidabile. Questo divario è l'enigma che guida un settore crescente della ricerca sull'AI.

L'EgoBabyVLM Challenge, sviluppato da ricercatori di Meta, Stanford, Tokyo e Parigi, fornisce ai modelli di visione e linguaggio, sistemi di AI addestrati sia su immagini che testo scritto, circa mille ore di video registrati da fotocamere fissate alle teste di veri bambini e bambine piccole. Il compito: comprendere il mondo come fa un bambino.

Ogni modello importante testato finora ha avuto difficoltà serie.

Il filmato è la ragione. Il video dalla fotocamera del bambino è disordinato e caotico. Un genitore parla di un giocattolo che è già scomparso dal fotogramma. Un adulto indica qualcosa con gli occhi, non con il dito. Le conversazioni saltano tra eventi passati e futuri piuttosto che ciò che sta accadendo proprio adesso. I bambini assorbono tutto questo attraverso la vista, l'udito e il tatto contemporaneamente. L'AI attuale impara principalmente da testo e immagini ordinati e curati. Il divario si vede.

"È chiaro che è necessario più di solo il linguaggio", dice Michael Frank, uno scienziato cognitivo di Stanford che studia l'acquisizione del linguaggio e ha aiutato a progettare la sfida.

Perché questo è importante per le persone comuni?

Un'AI più piccola e efficiente costerebbe meno da utilizzare e consumerebbe meno elettricità, il che significa prezzi inferiori e un'impronta ambientale più leggera per i prodotti che dipendono da essa. I robot alimentati da AI che imparano come imparano i bambini potrebbero anche navigare case, ospedali e fabbriche in modo molto più affidabile rispetto alle macchine attuali.

Il lavoro si basa su ricerche precedenti. BabyLM, un benchmark introdotto nel 2023 dal linguista Ryan Cotterell dell'ETH Zurich, ha dimostrato che una classe di AI chiamata modelli transformer, sistemi che comprendono il linguaggio tracciando le relazioni tra le parole in un testo, possono imparare le regole della grammatica da approssimativamente la stessa quantità di testo che un bambino di 10 anni ha incontrato. Trilioni di parole apparentemente non sono necessari per quel particolare compito.

Il senso comune fisico è una storia diversa. "Non ci sarà un grande corpus di interazioni umane", dice Cotterell, il che significa che nessun grande dataset di esperienza nel mondo reale esiste su cui addestrare come esiste un dataset di testo scritto.

Joshua Tenenbaum, uno scienziato cognitivo del MIT, lo dice chiaramente. I modelli transformer trovano schemi nei dati estremamente bene. Ma la sola ricerca di schemi non sembra essere sufficiente per costruire la comprensione istintiva della fisica, delle altre persone e della causa e dell'effetto che un bambino di due anni ha già.

La domanda aperta è quanto di quella comprensione sia costruito nei cervelli umani dall'evoluzione e quanto qualsiasi sistema di apprendimento potrebbe acquisire da solo. I ricercatori di EgoBabyVLM sostengono che prendere in prestito idee dalla neuroscienza, come aiutare i modelli a tracciare periodi di tempo più lunghi e leggere i segnali sociali, potrebbe indicare una risposta.