Ако смятате, че модел на изкуствен интелект, работещ на хиляди авангардни компютърни чипове, е умен, позволете ми да ви запозная с концепцията за 1-годишно дете.

Добре, бебетата може да не могат да пишат компютърни програми, да решават сложни математически задачи или да дебатират философски идеи. Но за разлика от днешните ИИ модели, които консумират огромно количество данни за обучение и толкова енергия, колкото малка държава, бебетата се научават да осмислят света с невероятна ефективност. Те идентифицират нови обекти, след като ги видят веднъж или два пъти, и се учат чрез бързи наблюдения и физическо взаимодействие.

Когато става въпрос за подобряване на ИИ, бебетата — и архитектурата на техния мозък — могат да предложат решаващи прозрения. Изграждането на по-близка до бебето версия на ИИ би могло да направи водещите модели по-евтини и по-малко енергоемки, а също така би било ценно, ако роботите с ИИ трябва да учат за заобикалящата ги среда по по-естествен начин.

За да изследват тази смела нова граница, изследователи от Meta, Станфордския университет, Токийския университет и френското École Normale Supérieure разработиха нов тест, който подчертава уменията за учене на бебетата и подтиква изследователите на ИИ да създават алгоритми, които да съвпадат с тях.

Предизвикателството EgoBabyVLM оценява колко добре визуално-езиковите модели (VLMs), които се учат както от текст, така и от изображения, могат да осмислят света така, както го вижда едно бебе. То изисква моделът да опише света, след като поеме около хиляда часа видео, събрано от камери, закрепени на главите на кърмачета и малки деца. (Да, наистина.)

Оказва се, че най-съвременните модели се провалят с треска, когато се захранват с тези реалистични и хаотични кадри, което предполага, че може да има нещо различно в дизайна на бебешкия мозък, което му позволява да се учи толкова бързо от толкова малко информация.

Вместо от подбрани масиви от данни, бебетата се учат от калейдоскопичен изглед на нещата: родители, които говорят за обекти, които вече не се виждат, посочват неща с поглед или жест, или обсъждат събития от миналото или бъдещето, а не просто това, което се случва в същия момент. Бебетата учат не само от езика, но и от богат мултимодален и тактилен опит, казва Майкъл Франк, когнитивен учен от Станфордския университет, който е специализиран в изучаването на езици и е участвал в разработването на EgoBabyVLM.

Тестът показва, че когато става въпрос за ИИ, „ясно е, че е необходимо нещо повече [от просто език]“, казва Франк.

EgoBabyVLM е просто най-новият пример за това как учените използват ИИ, за да изследват човешкия интелект. Предизвикателство, наречено BabyLM, въведено през 2023 г., постави задача на ИИ моделите да научат синтаксиса на езика, използвайки приблизително същото количество данни, което едно 10-годишно дете поема — десетки милиони думи, в сравнение с трилиони за ИИ моделите. Забележително е, че се оказва, че ИИ моделите, базирани на трансформатори — които обработват езика, като обръщат внимание на връзката между думите в различните изречения — могат да направят това доста добре, констатация, която оспорва идеите на Ноам Чомски относно това как синтаксисът може да е твърдо вграден в човешкия мозък.

Райън Котъръл, лингвист от ETH Цюрих, който пръв разработи BabyLM, казва, че ситуацията е различна, когато става въпрос за разбиране на физическия свят. „Няма да има голям корпус от човешки взаимодействия — няма интернет от човешки взаимодействия“, казва той.

Джошуа Таненбаум, когнитивен учен от Масачузетския технологичен институт, отбелязва, че BabyLM е показал, че моделите не придобиват „здрав разум“ за физическия свят, социалната динамика или теорията на ума.

„Трансформаторите са много добри в намирането на модели в данните“, казва Таненбаум. „Но изглежда, че системите за чисто обучение по модел не са в състояние да вземат вида данни, които бебе или дете получава, и да научат всички неща, които те правят.“

Постоянен въпрос е дали еволюцията е намерила начин да оптимизира определени умения за учене при хората и другите животни, или прости алгоритми за учене могат да направят всичко, което ние правим. „В когнитивната наука и невронауката има много дебати за това колко е вградено в мозъка по еволюционен път“, казва Таненбаум. „Мозъкът е невероятно сложен и има много вградена структура и архитектура.“

През 2024 г. изследователите показаха, че базов VLM може да научи прости неща, като например какво е топка, чисто чрез консумиране на данни, записани от главата на едно бебе. Но това е далеч от разсъжденията за света по сложни начини. „Мистерията е как децата достигат до пълните способности, които имат дори на 2-годишна възраст“, казва Брендън Лейк, когнитивен учен от Принстънския университет, който е участвал в проекта.

Авторите на документа EgoBabyVLM предполагат, че заемането на различни идеи от когнитивната наука и невронауката може да даде възможност за напредък към по-подобни на човека алгоритми за обучение. Това включва проектиране на модели, които могат да задържат вниманието за по-дълги периоди и могат да интерпретират социални знаци.

Франк от Станфорд вече показа, че новите подходи могат да ни приближат до подобен на бебето ИИ.