Младенцы учатся быстрее, чем самые мощные ИИ в мире. Учёные хотят понять, почему.

Ключевые моменты

• Исследователи из Meta, Стэнфордского университета, Университета Токио и французской Нормальной школы запустили конкурс EgoBabyVLM в 2025 году для проверки ИИ в условиях обучения младенцев.
• Лучшие современные визуально-языковые модели, системы ИИ, понимающие изображения и текст, показали плохие результаты при демонстрации примерно 1000 часов реального видеоматериала, записанного с камер, установленных на головах младенцев.
• Отдельный тест 2023 года под названием BabyLM показал, что ИИ может сравняться с языковым восприятием десятилетнего ребёнка, используя десятки миллионов слов, намного меньше, чем триллионы слов, которые используют большинство моделей.
• В 2024 году простая визуально-языковая модель научилась распознавать простые предметы, такие как мяч, используя видеозапись с камеры на голове всего одного младенца.
• Исследователи Стэнфорда опубликовали в начале 2025 года результаты, показывающие, что новая конструкция модели намного эффективнее стандартного ИИ изучает причинно-следственные связи на основе того же видеоматериала с камер младенцев.

Годовалый малыш видит собаку, слышит слово один или два раза и запоминает его навсегда. Передовая система ИИ поглощает миллиарды письменных предложений и миллионы изображений, прежде чем может надёжно делать то же самое. Этот разрыв — головоломка, которая движет растущим направлением в исследованиях ИИ.

Конкурс EgoBabyVLM, разработанный исследователями в Meta, Стэнфорде, Токио и Париже, предоставляет визуально-языковым моделям, системам ИИ, обученным на изображениях и письменном тексте, примерно тысячу часов видео, снятого камерами, закреплёнными на головах реальных младенцев и малышей. Задача: понять мир так, как его понимает младенец.

Каждая протестированная до сих пор топ-модель значительно отстала.

Причина в видеоматериале. Видео с детской камеры — грязное и хаотичное. Родитель говорит об игрушке, которая уже вышла за границы кадра. Взрослый указывает на что-то взглядом, а не пальцем. Разговоры прыгают между прошлыми и будущими событиями, а не между тем, что происходит прямо сейчас. Младенцы впитывают всё это через зрение, звук и осязание одновременно. Современный ИИ в основном учится на аккуратном, отобранном тексте и изображениях. Разрыв очевидный.

«Ясно, что требуется больше, чем просто язык», — говорит Майкл Франк, когнитивный учёный Стэнфорда, изучающий речевое развитие и помогавший разработать конкурс.

Почему это важно для обычных людей?

Более компактный и эффективный ИИ обойдётся дешевле и потребит меньше электроэнергии, что означает более низкие цены и меньший вред окружающей среде для продуктов, которые на нём работают. Роботы на базе ИИ, которые учатся так, как учатся младенцы, также могли бы надёжнее ориентироваться в домах, больницах и на заводах, чем современные машины.

Работа основана на более ранних исследованиях. BabyLM, критерий, введённый в 2023 году лингвистом Райаном Коттереллем из Швейцарской высшей технической школы Цюриха, показал, что класс ИИ, называемый трансформер-моделями, системы, которые понимают язык, отслеживая взаимосвязи между словами в тексте, могут выучить грамматические правила на основе примерно такого же количества текста, которое встречается десятилетнему ребёнку. Триллионы слов видимо не требуются для этой конкретной задачи.

Физический здравый смысл — это другая история. «Не будет большого набора данных человеческих взаимодействий», — говорит Коттерелл, имея в виду, что не существует огромного набора данных реального опыта для обучения, как существует набор письменного текста.

Джошуа Тенненбаум, когнитивный учёный из Массачусетского технологического института, выражается ясно. Трансформер-модели исключительно хорошо находят закономерности в данных. Но поиска закономерностей одного недостаточно для формирования инстинктивного понимания физики, других людей и причинно-следственных связей, которое уже имеет двухлетний ребёнок.

Открытый вопрос заключается в том, насколько большая часть этого понимания встроена в мозг человека эволюцией и насколько любая система обучения могла бы приобрести его самостоятельно. Исследователи EgoBabyVLM утверждают, что заимствование идей из нейронауки, таких как помощь моделям отслеживать более длительные промежутки времени и распознавать социальные сигналы, могло бы указать на ответ.