Os Bebés Aprendem Mais Rápido do Que a IA Mais Poderosa do Mundo. Cientistas Querem Saber Porquê.

Pontos-chave

• Investigadores da Meta, Universidade de Stanford, Universidade de Tóquio e da École Normale Supérieure de França lançaram o Desafio EgoBabyVLM em 2025 para testar a IA contra a aprendizagem de bebés.
• Os melhores modelos de linguagem visual atual, sistemas de IA que compreendem imagens e texto, falharam completamente quando expostos a aproximadamente 1.000 horas de vídeo real gravado por câmaras colocadas na cabeça de bebés.
• Um benchmark separado de 2023 chamado BabyLM descobriu que a IA pode igualar a exposição linguística de uma criança de 10 anos utilizando dezenas de milhões de palavras, muito menos do que os triliões que a maioria dos modelos consome.
• Em 2024, um modelo básico de linguagem visual aprendeu a reconhecer objetos simples como uma bola utilizando vídeo da câmara de cabeça de apenas um bebé.
• Investigadores de Stanford publicaram conclusões no início de 2025 mostrando que um novo design de modelo aprendeu causa-e-efeito física a partir dos mesmos dados de vídeo de bebés muito mais eficazmente do que a IA padrão.

Uma criança de um ano vê um cão, ouve a palavra uma ou duas vezes, e lembra-se para sempre. Um sistema de IA de última geração consome bililiões de frases escritas e milhões de imagens antes de conseguir fazer a mesma coisa com fiabilidade. Esta lacuna é o enigma que impulsiona um setor crescente da investigação em IA.

O Desafio EgoBabyVLM, desenvolvido por investigadores de Meta, Stanford, Tóquio e Paris, fornece aos modelos de linguagem visual, sistemas de IA treinados em imagens e texto escritos, cerca de mil horas de vídeo filmado por câmaras presas à cabeça de bebés e crianças pequenas reais. A tarefa: compreender o mundo da forma como um bebé o faz.

Cada modelo de topo testado até agora enfrentou grandes dificuldades.

O vídeo é a razão. O vídeo de câmara de bebé é confuso e caótico. Um progenitor fala sobre um brinquedo que já saiu do enquadramento. Um adulto aponta para algo com os olhos, não com o dedo. As conversas saltam entre eventos passados e futuros em vez daquilo que está a acontecer agora. Os bebés absorvem tudo isto através da visão, som e toque simultaneamente. A IA atual aprende principalmente a partir de texto e imagens ordenadas e curadas. A lacuna nota-se.

"É claro que há mais do que apenas linguagem que é necessária", diz Michael Frank, um cientista cognitivo de Stanford que estuda a aprendizagem da linguagem e ajudou a conceber o desafio.

Porque é que isto importa para as pessoas comuns?

Uma IA mais pequena e eficiente custaria menos a executar e consumiria menos eletricidade, o que significa preços mais baixos e uma pegada ambiental mais leve para os produtos que dependem dela. Robôs alimentados por IA que aprendem da forma como os bebés aprendem também poderiam navegar em casas, hospitais e fábricas com muito mais fiabilidade do que as máquinas atuais.

O trabalho desenvolve-se com base em investigação anterior. BabyLM, um benchmark introduzido em 2023 pelo linguista Ryan Cotterell de ETH Zurique, mostrou que uma classe de IA chamada modelos transformadores, sistemas que compreendem linguagem rastreando relações entre palavras ao longo de um texto, pode aprender as regras da gramática a partir de aproximadamente a quantidade de texto que uma criança de 10 anos encontrou. Aparentemente, triliões de palavras não são necessários para essa tarefa em particular.

O senso comum físico é uma história diferente. "Não haverá um grande corpus de interações humanas", diz Cotterell, significando que não existe um conjunto de dados gigante de experiência do mundo real para treinar da forma como um conjunto de dados de texto escrito o faz.

Joshua Tenenbaum, um cientista cognitivo do MIT, coloca-o claramente. Os modelos transformadores encontram padrões em dados extremamente bem. Mas a procura de padrões sozinha não parece ser suficiente para construir a compreensão intuitiva da física, de outras pessoas e da causa-e-efeito que uma criança de dois anos já possui.

A questão aberta é quanto dessa compreensão está construída nos cérebros humanos pela evolução, e quanto qualquer sistema de aprendizagem poderia adquirir por si próprio. Os investigadores do EgoBabyVLM argumentam que emprestar ideias da neurociência, como ajudar os modelos a rastrearem períodos de tempo mais longos e lerem sinais sociais, poderia apontar para uma resposta.