Denken Sie, dass ein Supercomputer, der Poesie produziert, genial ist? Warten Sie, bis Sie ein Einjähriges treffen.
Babys können keinen Code schreiben. Sie diskutieren sicherlich nicht über Metaphysik. Aber hier liegt das Problem: Die heutige KI verschlingt Trainingsdaten, als ob sie aus der Mode käme, und verschlingt Strom, der mit der Leistung einer kleinen Nation vergleichbar ist. Unterdessen erschließt ein menschliches Kleinkind die Realität mit erschreckender Effizienz. Ein oder zwei betrachten einen Gegenstand. Boom. Identifikation gesichert. Lernen geschieht durch flüchtige Beobachtung. Körperliche Berührung. Es ist effizient. Es ist biologisch. Es übertrifft unser Silikongehirn um Längen.
Forscher fangen an, etwas Unangenehmes einzugestehen. Das Geheimnis einer besseren und günstigeren KI könnte in den Gehirnen von Babys liegen.
Um diese mutigen neuen Grenzen zu erkunden, brauchten wir einen Test, der Modelle tatsächlich dazu bringt, wie Kleinkinder zu denken.
Der EgoBabyVLM Reality Check
Meta, Stanford, die Universität Tokio und die École Normale Supéérieure in Frankreich haben sich zusammengetan. Sie haben eine Herausforderung aufgebaut. EgoBabyVLM.
Es zwingt visuelle Sprachmodelle – VLMs, die sowohl Text als auch Bilder verarbeiten – dazu, die Welt so zu verstehen, wie es ein Baby tut. Der Datensatz? Ungefähr tausend Stunden Videomaterial, aufgenommen von Kameras, die direkt an den Köpfen von Säuglingen befestigt sind. Ja, wirklich.
Und die Ergebnisse? Enttäuschend für die KI-Branche.
Aktuelle Spitzenmodelle scheitern. Kläglich. Sie ersticken an den chaotischen, chaotischen Aufnahmen tatsächlicher menschlicher Erfahrungen aus der ersten Person. Das Scheitern deutet auf eine harte Wahrheit hin. Etwas an der Architektur des menschlichen Gehirns ermöglicht es ihm, schnell aus winzigen Informationsfetzen zu lernen. Unsere Algorithmen können daran nichts ändern.
Unordentliche Daten, reichhaltiges Lernen
Kuratierte Datensätze sind eine Krücke. Babys benutzen keine Krücken.
Sie lernen aus einem Kaleidoskop. Eltern zeigen auf unsichtbare Gegenstände. Gesten. Über Dinge sprechen, die noch nicht passiert sind. Vergangene Erinnerungen. Es sind nicht nur Worte. Es ist taktil. Es ist multimodal. Michael Frank, ein an dem Projekt beteiligter Kognitionswissenschaftler aus Stanford, brachte es auf den Punkt: Sprache allein ist nicht die Antwort.
„Es ist klar, dass noch mehr nötig ist“, sagte er.
Welche Syntax war richtig (und welche falsch)
EgoBabyVLM ist nicht allein. Wissenschaftler lieben es, KI als Spiegel der menschlichen Intelligenz zu nutzen. Erinnern Sie sich an BabyLM aus dem Jahr 2023? Diese Herausforderung zwang die KI dazu, Syntax mithilfe von Datenmengen zu lernen, die mit denen eines Zehnjährigen vergleichbar sind. Dutzende Millionen Wörter. Nicht Billionen.
Transformers – das Rückgrat der modernen KI – haben es tatsächlich geschafft. Sie zeigten, dass reine Aufmerksamkeitsmechanismen Wortbeziehungen ohne die riesigen Datenfresser erfassen können, die wir gewohnt sind. Das war ein Schlag ins Gesicht von Noam Chomsky. Möglicherweise ist die Syntax nicht fest verankert. Vielleicht hat man es gelernt.
Aber Sprache ist einfach. Die physische Welt? Nicht so sehr.
Ryan Cotterell von der ETH Zürich wies auf eine Lücke hin. „Es wird kein großes Korpus geben“, sagte er. „Kein Internet menschlicher Interaktionen.“
Joshua Tenenbaum vom MIT sieht die Grenzen. Transformer finden Muster. Sicher. Aber sie erwerben keinen gesunden Menschenverstand. Sie verstehen keine soziale Dynamik. Ihnen fehlt eine Theorie des Geistes.
Transformer sind sehr gut darin, Muster zu finden, aber sie können die rohen Eingaben eines Babys nicht in das komplexe Verständnis umwandeln, das ein Kind entwickelt.
Tenenbaum stellt die große Frage. Hat die Evolution uns mit integrierten Verknüpfungen optimiert? Oder ist das Gehirn nur eine komplexe Maschinerie mit inhärenter Struktur? Er tendiert zur Struktur. Vieles davon.
Im Jahr 2024 zeigte jemand, dass ein einfaches VLM einen Ball allein anhand der Kopfkamera-Aufnahmen eines Säuglings identifizieren konnte. Es war beeindruckend. Es war auch primitiv. Es war keine Argumentation. Es war ein Mustervergleich. Brendan Lake aus Princeton stellt fest, dass die Lücke bestehen bleibt.
„Das Rätsel ist, wie Kinder mit zwei Jahren ihre volle Leistungsfähigkeit erreichen.“
Auf dem Weg zu einem kausalen Geist
Die EgoBabyVLM-Autoren glauben, dass der Weg nach vorn Anleihen bei den Neurowissenschaften nimmt. Wir brauchen Modelle, die länger aufmerksam sind. Wir brauchen sie, um soziale Signale zu interpretieren. Nicht nur Pixelanordnungen.
Frank hat bereits bewiesen, was er sagt. Anfang des Jahres testete sein Team ein neues Modell, das sich auf die Kausalität konzentrierte. Mithilfe derselben Babyvideodaten wurden visuelle und zeitliche Zusammenhänge verfolgt. Das Modell lernte die Objektdynamik. Wie sich Dinge im Laufe der Zeit gegenseitig beeinflussen.
Es hat funktioniert.
Es war viel besser als Standardmodelle im physikalischen Denken.
Die Möglichkeit besteht darin. Modelle, die darauf ausgerichtet sind, schnell Physik und soziale Zusammenhänge zu erlernen. Sie könnten effiziente Lernende sein. Echte Lernende. Nicht nur Datenpapageien.
Lake ist aufgeregt.
„Ich bin gespannt, was Forscher für neue Architekturen entwickeln werden“, sagt er.
Es kommen neue Ansätze. Oder sie werden es tun. Die Frage ist nicht, ob KI wie ein Baby lernen kann. Es geht darum, ob wir die Geduld haben, es zu lehren.
Wer hält die Kamera? 🍼
