Apakah superkomputer yang menghasilkan puisi itu jenius? Tunggu sampai Anda bertemu dengan anak berusia satu tahun.
Bayi tidak bisa menulis kode. Mereka tentu saja tidak memperdebatkan metafisika. Namun masalahnya: AI saat ini memakan data pelatihan seolah-olah sudah ketinggalan jaman, menghabiskan listrik sebanding dengan output sebuah negara kecil. Sementara itu, seorang bayi manusia mampu memahami kenyataan dengan efisiensi yang sangat tinggi. Satu atau dua orang melihat suatu objek. Ledakan. Identifikasi diamankan. Pembelajaran terjadi melalui observasi sekilas. Sentuhan fisik. Ini efisien. Itu biologis. Ini mengalahkan otak silikon kita.
Para peneliti mulai mengakui sesuatu yang tidak nyaman. Rahasia AI yang lebih baik dan lebih murah mungkin terletak pada otak bayi.
Untuk mengeksplorasi batasan baru yang berani ini, kami memerlukan tes yang benar-benar mendorong model untuk berpikir seperti balita.
Pemeriksaan Realitas EgoBabyVLM
Meta, Stanford, Universitas Tokyo, dan École Normale Supéérieure di Prancis berkumpul. Mereka membangun sebuah tantangan. EgoBabyVLM.
Hal ini memaksa model bahasa penglihatan—VLM yang mencerna teks dan gambar—untuk memahami dunia seperti yang dilakukan bayi. Kumpulan datanya? Sekitar seribu jam video direkam dari kamera yang diikatkan langsung ke kepala bayi. Ya benar sekali.
Dan hasilnya? Mengecewakan bagi industri AI.
Model tingkat atas saat ini gagal. Sedih sekali. Mereka tersedak oleh rekaman pengalaman manusia nyata yang berantakan dan kacau. Kegagalan tersebut menunjukkan kebenaran yang sulit. Sesuatu tentang arsitektur otak manusia memungkinkannya belajar dengan cepat dari potongan-potongan kecil informasi. Algoritme kami tidak dapat mencapai hal tersebut.
Data Berantakan, Pembelajaran Kaya
Kumpulan data yang dikurasi adalah penopangnya. Bayi tidak menggunakan kruk.
Mereka belajar dari kaleidoskop. Orang tua menunjuk pada benda yang tidak terlihat. Gerakan. Membicarakan hal-hal yang belum terjadi. Kenangan masa lalu. Ini bukan hanya kata-kata. Itu adalah sentuhan. Ini multimoda. Michael Frank, seorang ilmuwan kognitif Stanford yang terlibat dalam proyek ini, menyatakan secara sederhana: bahasa saja bukanlah jawabannya.
“Jelas masih ada lagi yang dibutuhkan,” katanya.
Sintaks Apa yang Benar (Dan Salah)
EgoBabyVLM tidak sendirian. Para ilmuwan senang menggunakan AI sebagai cermin kecerdasan manusia. Ingat BabyLM dari tahun 2023? Tantangan tersebut memaksa AI untuk mempelajari sintaksis menggunakan jumlah data yang sebanding dengan proses sepuluh tahun. Puluhan juta kata. Bukan triliunan.
Transformers—tulang punggung AI modern—benar-benar berhasil. Mereka menunjukkan bahwa mekanisme perhatian murni dapat memahami hubungan kata tanpa memerlukan data besar yang biasa kita gunakan. Hal ini menampar wajah Noam Chomsky. Mungkin sintaksisnya tidak tertanam. Mungkin itu dipelajari.
Tapi bahasa itu mudah. Dunia fisik? Tidak terlalu banyak.
Ryan Cotterell dari ETH Zurich menunjukkan adanya kesenjangan. “Tidak akan ada korpus yang besar,” katanya. “Tidak ada internet untuk interaksi manusia.”
Joshua Tenenbaum di MIT melihat batasannya. Transformer menemukan pola. Tentu. Tapi mereka tidak mendapatkan akal sehat. Mereka tidak memahami dinamika sosial. Mereka tidak memiliki teori pikiran.
Transformers sangat pandai dalam menemukan pola, namun mereka tidak dapat mengubah masukan mentah dari bayi menjadi pemahaman kompleks yang dikembangkan seorang anak.
Tenenbaum mengajukan pertanyaan besar. Apakah evolusi mengoptimalkan kita dengan pintasan bawaan? Atau apakah otak hanyalah mesin kompleks dengan struktur yang melekat? Dia condong ke arah struktur. Banyak sekali.
Pada tahun 2024, seseorang menunjukkan bahwa VLM dasar dapat mengidentifikasi bola hanya dari umpan kamera kepala satu bayi. Itu sangat mengesankan. Itu juga primitif. Itu tidak masuk akal. Itu adalah pencocokan pola. Brendan Lake dari Princeton mencatat kesenjangan masih ada.
“Misterinya adalah bagaimana anak-anak memperoleh kemampuan penuh pada usia 2 tahun.”
Menuju Pikiran Kausal
Para penulis EgoBabyVLM berpendapat bahwa jalan ke depan dipinjam dari ilmu saraf. Kita membutuhkan model yang memperhatikan lebih lama. Kita membutuhkan mereka untuk menafsirkan isyarat sosial. Bukan hanya pengaturan piksel.
Frank sudah membuktikan suatu hal. Awal tahun ini timnya menguji model baru yang berfokus pada kausalitas. Ini melacak hubungan visual dan temporal menggunakan data video bayi yang sama. Model mempelajari dinamika objek. Bagaimana hal-hal mempengaruhi satu sama lain dari waktu ke waktu.
Itu berhasil.
Itu jauh lebih baik daripada model standar dalam hal fisik.
Kemungkinannya tergantung di sana. Model bias mempelajari fisika dan hubungan sosial dengan cepat. Mereka bisa menjadi pembelajar yang efisien. Pembelajar sejati. Bukan hanya burung beo data.
Danau bersemangat.
“Saya sangat antusias untuk melihat apa yang dihasilkan oleh para peneliti arsitektur baru,” katanya.
Pendekatan-pendekatan baru akan datang. Atau mereka akan melakukannya. Pertanyaannya bukanlah apakah AI bisa belajar seperti bayi. Tinggal apakah kita mempunyai kesabaran untuk mengajarkannya.
Siapa yang memegang kamera? 🍼
