Vous pensez que le superordinateur produisant de la poésie est un génie ? Attendez de rencontrer un enfant d’un an.
Les bébés ne peuvent pas écrire de code. Ils ne débattent certainement pas de métaphysique. Mais voici le problème : l’IA d’aujourd’hui dévore les données d’entraînement comme si elle se démodait, consommant une électricité comparable à la production d’un petit pays. Pendant ce temps, un bébé humain découvre la réalité avec une efficacité terrifiante. Un ou deux regards sur un objet. Boom. Identification sécurisée. L’apprentissage se fait grâce à une observation éphémère. Toucher physique. C’est efficace. C’est biologique. Cela bat haut la main notre cerveau en silicium.
Les chercheurs commencent à admettre quelque chose de inconfortable. Le secret d’une IA meilleure et moins chère réside peut-être dans le cerveau des bébés.
Pour explorer cette nouvelle frontière audacieuse, nous avions besoin d’un test qui pousse réellement les modèles à penser comme des tout-petits.
La vérification de la réalité d’EgoBabyVLM
Meta, Stanford, l’Université de Tokyo et l’École Normale Supérieure en France se sont réunis. Ils ont construit un défi. EgoBabyVLM.
Il force les modèles de langage visuel (VLM qui digèrent à la fois le texte et les images) à donner un sens au monde comme le fait un bébé. L’ensemble de données ? Environ un millier d’heures de vidéo enregistrées à partir de caméras attachées directement à la tête des nourrissons. Oui, vraiment.
Et les résultats ? Décevant pour l’industrie de l’IA.
Les modèles haut de gamme actuels échouent. Misérablement. Ils s’étouffent devant les images désordonnées et chaotiques à la première personne de l’expérience humaine réelle. Cet échec suggère une dure vérité. Quelque chose dans l’architecture du cerveau humain lui permet d’apprendre rapidement à partir de minuscules bribes d’informations. Nos algorithmes ne peuvent pas y toucher.
Données désordonnées, apprentissage riche
Les ensembles de données organisés sont une béquille. Les bébés n’utilisent pas de béquilles.
Ils apprennent à partir d’un kaléidoscope. Parents pointant du doigt des objets invisibles. Des gestes. Parler de choses qui ne se sont pas encore produites. Souvenirs passés. Ce ne sont pas que des mots. C’est tactile. C’est multimodal. Michael Frank, un spécialiste des sciences cognitives de Stanford impliqué dans le projet, l’a dit simplement : le langage à lui seul n’est pas la réponse.
« Il est clair qu’il en faut davantage », a-t-il déclaré.
Quelle syntaxe est bonne (et mauvaise)
EgoBabyVLM n’est pas seul. Les scientifiques adorent utiliser l’IA comme miroir de l’intelligence humaine. Vous vous souvenez de BabyLM de 2023 ? Ce défi a forcé l’IA à apprendre la syntaxe en utilisant des quantités de données comparables à celles qu’un enfant de dix ans traite. Des dizaines de millions de mots. Pas des milliards.
Les transformateurs, l’épine dorsale de l’IA moderne, ont réussi. Ils ont montré que les mécanismes d’attention pure pouvaient saisir les relations entre les mots sans les énormes monopolisations de données auxquelles nous sommes habitués. Cela a giflé Noam Chomsky. Peut-être que la syntaxe n’est pas câblée. C’est peut-être appris.
Mais le langage est facile. Le monde physique ? Pas tellement.
Ryan Cotterell de l’ETH Zurich a souligné une lacune. « Il n’y aura pas un grand corpus », a-t-il déclaré. “Pas d’Internet des interactions humaines.”
Joshua Tenenbaum du MIT voit les limites. Les transformateurs trouvent des modèles. Bien sûr. Mais ils n’acquièrent pas le bon sens. Ils ne comprennent pas la dynamique sociale. Il leur manque une théorie de l’esprit.
Les transformateurs sont très doués pour trouver des modèles, mais ils ne peuvent pas transformer les données brutes d’un bébé en une compréhension complexe qu’il développe.
Tenenbaum pose la grande question. L’évolution nous a-t-elle optimisé avec des raccourcis intégrés ? Ou le cerveau n’est-il qu’une machinerie complexe dotée d’une structure inhérente ? Il penche vers la structure. Beaucoup.
En 2024, quelqu’un a montré qu’un VLM de base pouvait identifier une balle uniquement à partir de l’alimentation par caméra frontale d’un nourrisson. C’était impressionnant. C’était aussi primitif. Ce n’était pas un raisonnement. C’était une correspondance de modèles. Brendan Lake de Princeton note que l’écart demeure.
“Le mystère est de savoir comment les enfants acquièrent toutes leurs capacités à l’âge de 2 ans.”
Vers un esprit causal
Les auteurs d’EgoBabyVLM pensent que la voie à suivre emprunte aux neurosciences. Nous avons besoin de modèles qui prêtent attention plus longtemps. Nous avons besoin d’eux pour interpréter les signaux sociaux. Pas seulement les arrangements de pixels.
Frank a déjà prouvé un point. Plus tôt cette année, son équipe a testé un nouveau modèle axé sur la causalité. Il a suivi les relations visuelles et temporelles en utilisant les mêmes données vidéo de bébé. Le modèle a appris la dynamique des objets. Comment les choses s’influencent au fil du temps.
Cela a fonctionné.
C’était bien meilleur que les modèles standards en matière de raisonnement physique.
La possibilité est là. Des modèles biaisés pour apprendre rapidement la physique et les liens sociaux. Ils pourraient être des apprenants efficaces. De vrais apprenants. Pas seulement des perroquets de données.
Lake est excité.
« Je suis impatient de voir quels types de nouvelles architectures les chercheurs proposent », dit-il.
De nouvelles approches arrivent. Ou alors ils le feront. La question n’est pas de savoir si l’IA peut apprendre comme un bébé. Il s’agit de savoir si nous avons la patience de l’enseigner.
Qui tient la caméra ? 🍼
