¿Crees que una supercomputadora que produce poesía es una genialidad? Espere hasta conocer a un niño de un año.
Los bebés no pueden escribir código. Ciertamente no están debatiendo sobre metafísica. Pero aquí está el problema: la IA actual devora datos de entrenamiento como si estuvieran pasados de moda, consumiendo electricidad comparable a la producción de una nación pequeña. Mientras tanto, un bebé humano descubre la realidad con una eficiencia aterradora. Uno o dos miran un objeto. Auge. Identificación asegurada. El aprendizaje ocurre a través de la observación fugaz. Toque físico. Es eficiente. Es biológico. Supera sin duda a nuestros cerebros de silicio.
Los investigadores están empezando a admitir algo incómodo. El secreto para lograr una IA mejor y más barata podría estar en los cerebros de los bebés.
Para explorar esta nueva y audaz frontera, necesitábamos una prueba que realmente impulsara a los modelos a pensar como niños pequeños.
La verificación de la realidad de EgoBabyVLM
Se reunieron Meta, Stanford, la Universidad de Tokio y la École Normale Supéérieure de Francia. Construyeron un desafío. EgoBabyVLM.
Obliga a los modelos de lenguaje visual (VLM que digieren tanto texto como imágenes) a darle sentido al mundo como lo hace un bebé. ¿El conjunto de datos? Alrededor de mil horas de vídeo grabadas con cámaras colocadas directamente en la cabeza de los bebés. Sí, de verdad.
¿Y los resultados? Decepcionante para la industria de la IA.
Los modelos actuales de primer nivel fracasan. Tristemente. Se ahogan con las imágenes caóticas y desordenadas de la experiencia humana real en primera persona. El fracaso sugiere una dura verdad. Algo en la arquitectura del cerebro humano le permite aprender rápidamente a partir de pequeños fragmentos de información. Nuestros algoritmos no pueden tocar eso.
Datos desordenados, aprendizaje enriquecido
Los conjuntos de datos seleccionados son una muleta. Los bebés no usan muletas.
Aprenden de un caleidoscopio. Padres señalando objetos invisibles. Gestos. Hablando de cosas que aún no han sucedido. Recuerdos pasados. No son sólo palabras. Es táctil. Es multimodal. Michael Frank, un científico cognitivo de Stanford involucrado en el proyecto, lo expresó simplemente: el lenguaje por sí solo no es la respuesta.
“Está claro que se necesita más”, dijo.
Qué sintaxis fue correcta (y qué fue incorrecta)
EgoBabyVLM no está solo. A los científicos les encanta utilizar la IA como espejo de la inteligencia humana. ¿Recuerdas BabyLM de 2023? Ese desafío obligó a la IA a aprender sintaxis utilizando cantidades de datos comparables a las que procesa un niño de diez años. Decenas de millones de palabras. No billones.
Los transformadores, la columna vertebral de la IA moderna, realmente lo lograron. Demostraron que los mecanismos de atención pura podían captar las relaciones entre palabras sin los enormes acaparadores de datos a los que estamos acostumbrados. Esto abofeteó a Noam Chomsky. Quizás la sintaxis no esté programada. Quizás se haya aprendido.
Pero el lenguaje es fácil. ¿El mundo físico? No tanto.
Ryan Cotterell de ETH Zurich señaló una brecha. “No habrá un corpus grande”, dijo. “No hay Internet de interacciones humanas”.
Joshua Tenenbaum del MIT ve los límites. Los transformadores encuentran patrones. Seguro. Pero no adquieren sentido común. No entienden la dinámica social. Carecen de una teoría de la mente.
Los transformadores son muy buenos para encontrar patrones, pero no pueden convertir la información cruda de un bebé en la comprensión compleja que desarrolla un niño.
Tenenbaum hace la gran pregunta. ¿La evolución nos optimizó con atajos integrados? ¿O es el cerebro simplemente una maquinaria compleja con una estructura inherente? Se inclina hacia la estructura. Mucho.
En 2024, alguien demostró que un VLM básico podía identificar una pelota con solo la alimentación de la cámara frontal de un bebé. Fue impresionante. También era primitivo. No fue razonamiento. Fue una coincidencia de patrones. Brendan Lake, de Princeton, señala que la brecha persiste.
“El misterio es cómo los niños adquieren todas sus capacidades a los 2 años”.
Hacia una mente causal
Los autores de EgoBabyVLM creen que el camino a seguir se basa en la neurociencia. Necesitamos modelos que presten atención por más tiempo. Los necesitamos para interpretar las señales sociales. No sólo arreglos de píxeles.
Frank ya demostró algo de razón. A principios de este año, su equipo probó un nuevo modelo centrado en la causalidad. Rastreó las relaciones visuales y temporales utilizando los mismos datos de videos de bebés. El modelo aprendió la dinámica de los objetos. Cómo las cosas se afectan entre sí con el tiempo.
Funcionó.
Era mucho mejor que los modelos estándar en razonamiento físico.
La posibilidad está ahí. Modelos sesgados para aprender física y vínculos sociales rápidamente. Podrían ser estudiantes eficientes. Estudiantes reales. No sólo loros de datos.
El lago está emocionado.
“Estoy emocionado de ver qué tipos de nuevas arquitecturas se les ocurren a los investigadores”, dice.
Se avecinan nuevos enfoques. O lo harán. La pregunta no es si la IA puede aprender como un bebé. Se trata de si tenemos la paciencia para enseñarlo.
¿Quién sostiene la cámara? 🍼
