Малюки вчаться швидше за найпотужніші AI у світі. Науковці хочуть зрозуміти чому.
Нове тестування порівнює передові моделі штучного інтелекту з дитячим сприйманням, і малюки перемагають. Дослідники кажуть, що вивчення дитячих мозків може зробити AI дешевшим, екологічнішим і розумнішим.
Ключові моменти
- Дослідники з Meta, Стенфордського університету, Університету Токіо та паризької Школи нормальної вищої освіти запустили конкурс EgoBabyVLM у 2025 році для тестування AI проти навчання немовлят.
- Кращі моделі бачення мови на сьогодні, системи штучного інтелекту, які розуміють як зображення, так і текст, показали погані результати при перегляді приблизно 1000 годин справжніх відеозаписів, зроблених камерами, змонтованими на голові немовлят.
- Окремий тест BabyLM 2023 року показав, що штучний інтелект може зрівнятися з мовною експозицією 10-річної дитини, використовуючи десятки мільйонів слів, що набагато менше, ніж трильйони, які споживають більшість моделей.
- У 2024 році базова модель бачення мови навчилася розпізнавати прості предмети, як м'яч, використовуючи відеозаписи з голови-камери лише однієї дитини.
- Дослідники Стенфорда опублікували висновки на початку 2025 року, які показали, що новий дизайн моделі навчився розуміти причину й наслідок з тих же відео даних з голови немовляти значно більш ефективно, ніж стандартний штучний інтелект.
Річна дитина бачить собаку, чує слово один або два рази й пам'ятає його назавжди. Передова система штучного інтелекту поглинає мільярди написаних речень та мільйони зображень, перш ніж зуміє зробити те ж саме надійно. Ця прогалина — головоломка, яка спонукає зростаючу сферу досліджень штучного інтелекту.
Конкурс EgoBabyVLM, розроблений дослідниками з Meta, Стенфорда, Токіо та Парижа, дає моделям бачення мови, системам штучного інтелекту, навченим на основі як зображень, так і написаного тексту, приблизно тисячу годин відео, знятого з камер, прикріплених до голів справжніх немовлят та малюків. Завдання: зрозуміти світ так, як це робить немовля.
Кожна протестована топ-модель поки що показала вкрай бідні результати.
Причина у відео. Відеозаписи з камер на голові немовляти неохайні та хаотичні. Батько розмовляє про іграшку, яка вже вийшла з кадру. Дорослий вказує на щось очима, а не пальцем. Розмови стрибають між минулими та майбутніми подіями замість того, що відбувається прямо зараз. Малюки засвоюють все це через зір, слух і дотик одночасно. Сучасний штучний інтелект здебільшого вчиться з охайного, відібраного тексту та зображень. Різниця помітна.
«Зрозуміло, що потрібно більше, ніж просто мова», каже Майкл Френк, науковець-когнітивіст зі Стенфорда, який вивчає мовне навчання і допоміг розробити конкурс.
Чому це важливо для звичайних людей?
Менший, більш ефективний штучний інтелект коштуватиме менше в експлуатації та споживатиме менше електроенергії, що означає нижчі ціни та менший екологічний слід для продуктів, які його використовують. Роботи на основі штучного інтелекту, які вчаться так, як вчаться малюки, також могли б навігувати в домах, лікарнях та фабриках набагато надійніше, ніж сучасні машини.
Робота будується на попередніх дослідженнях. BabyLM, тест, запроваджений у 2023 році лінгвістом Райаном Котереллом з ETH Zurich, показав, що клас штучного інтелекту, який називається трансформаторними моделями, системи, які розуміють мову, відстежуючи відносини між словами в тексті, можуть вивчити правила граматики з приблизно такої ж кількості тексту, яку зустрічала 10-річна дитина. Виявляється, для цього конкретного завдання не потрібні трильйони слів.
Фізичний здоровий глузд — це інша історія. «Не буде великого корпусу людської взаємодії», каже Котерелл, маючи на увазі, що не існує величезного набору даних реального світового досвіду для навчання так, як існує набір даних написаного тексту.
Джошуа Теннебаум, науковець-когнітивіст з MIT, формулює це просто. Трансформаторні моделі виключно добре знаходять закономірності в даних. Але самого пошуку закономірностей недостатньо для розвитку інтуїтивного розуміння фізики, інших людей та причинно-наслідкових зв'язків, які вже має двирічна дитина.
Відкрите питання полягає в тому, скільки з цього розуміння закладено в людських мозках еволюцією, а скільки будь-яка система навчання могла б набути самостійно. Дослідники EgoBabyVLM стверджують, що запозичення ідей з неврології мозку, таких як допомога моделям відстежувати довші проміжки часу та читати соціальні сигнали, могло б вказати на відповідь.
