Credi che il supercomputer che sforna poesie sia geniale? Aspetta di incontrare un bambino di un anno.
I bambini non sanno scrivere codici. Certamente non stanno discutendo di metafisica. Ma ecco il problema: l’intelligenza artificiale di oggi divora dati di addestramento come se fossero fuori moda, consumando elettricità paragonabile alla produzione di una piccola nazione. Nel frattempo, un bambino umano capisce la realtà con un’efficienza terrificante. Uno o due guardano un oggetto. Boom. Identificazione assicurata. L’apprendimento avviene attraverso l’osservazione fugace. Tocco fisico. È efficiente. È biologico. Batte a mani basse i nostri cervelli di silicio.
I ricercatori stanno iniziando ad ammettere qualcosa di scomodo. Il segreto per un’intelligenza artificiale migliore e più economica potrebbe risiedere nei cervelli dei bambini.
Per esplorare questa nuova frontiera audace, avevamo bisogno di un test che spingesse effettivamente i modelli a pensare come bambini piccoli.
Il controllo della realtà di EgoBabyVLM
Meta, Stanford, l’Università di Tokyo e l’École Normale Supéérieure in Francia si sono riunite. Hanno costruito una sfida. EgoBabyVLM.
Costringe i modelli del linguaggio visivo – VLM che digeriscono sia testo che immagini – a dare un senso al mondo come lo fa un bambino. Il set di dati? Circa mille ore di video registrate da telecamere fissate direttamente alla testa dei bambini. Sì, davvero.
E i risultati? Deludente per il settore dell’intelligenza artificiale.
Gli attuali modelli di alto livello falliscono. Miseramente. Si soffocano davanti alle riprese disordinate, caotiche, in prima persona, dell’esperienza umana reale. Il fallimento suggerisce una dura verità. Qualcosa nell’architettura del cervello umano gli consente di apprendere rapidamente da piccoli frammenti di informazioni. I nostri algoritmi non possono toccarlo.
Dati disordinati, apprendimento ricco
I set di dati curati sono una stampella. I bambini non usano le stampelle.
Imparano da un caleidoscopio. Genitori che indicano oggetti invisibili. Gesti. Parlare di cose che non sono ancora accadute. Ricordi passati. Non sono solo parole. È tattile. È multimodale. Michael Frank, uno scienziato cognitivo di Stanford coinvolto nel progetto, ha detto semplicemente: il linguaggio da solo non è la risposta.
“È chiaro che c’è bisogno di altro”, ha detto.
Quale sintassi è giusta (e sbagliata)
EgoBabyVLM non è solo. Gli scienziati adorano usare l’intelligenza artificiale come specchio dell’intelligenza umana. Ricordi BabyLM del 2023? Questa sfida ha costretto l’intelligenza artificiale ad apprendere la sintassi utilizzando quantità di dati paragonabili a quelle elaborate da un bambino di dieci anni. Decine di milioni di parole. Non trilioni.
I Transformers, la spina dorsale dell’intelligenza artificiale moderna, ce l’hanno fatta. Hanno dimostrato che i meccanismi dell’attenzione pura possono cogliere le relazioni tra le parole senza i massicci divoratori di dati a cui siamo abituati. Questo ha schiaffeggiato Noam Chomsky. Forse la sintassi non è cablata. Forse è stato imparato.
Ma il linguaggio è facile. Il mondo fisico? Non così tanto.
Ryan Cotterell dell’ETH di Zurigo ha sottolineato una lacuna. “Non ci sarà un corpus ampio”, ha detto. “Nessuna internet delle interazioni umane”.
Joshua Tenenbaum del MIT vede i limiti. I trasformatori trovano modelli. Sicuro. Ma non acquisiscono il buon senso. Non capiscono le dinamiche sociali. Mancano di una teoria della mente.
I trasformatori sono molto bravi a trovare schemi, ma non riescono a trasformare i semplici input di un bambino nella complessa comprensione che sviluppa.
Tenenbaum pone la grande domanda. L’evoluzione ci ha ottimizzato con scorciatoie integrate? Oppure il cervello è semplicemente un macchinario complesso con una struttura intrinseca? Si appoggia alla struttura. Molto.
Nel 2024 qualcuno ha dimostrato che un VLM di base poteva identificare una palla solo dall’alimentazione della telecamera sulla testa di un bambino. È stato impressionante. Era anche primitivo. Non era un ragionamento. Era un abbinamento di modelli. Brendan Lake di Princeton nota che il divario rimane.
“Il mistero è come i bambini acquisiscano tutte le capacità entro i 2 anni.”
Verso una mente causale
Gli autori di EgoBabyVLM ritengono che il percorso da seguire prenda in prestito dalle neuroscienze. Abbiamo bisogno di modelli che prestino attenzione più a lungo. Ne abbiamo bisogno per interpretare i segnali sociali. Non solo disposizioni dei pixel.
Frank ha già dimostrato una cosa. All’inizio di quest’anno il suo team ha testato un nuovo modello incentrato sulla causalità. Ha monitorato le relazioni visive e temporali utilizzando gli stessi dati dei video dei bambini. Il modello ha appreso la dinamica degli oggetti. Come le cose si influenzano a vicenda nel tempo.
Ha funzionato.
Era molto meglio dei modelli standard nel ragionamento fisico.
La possibilità è lì. Modelli distorti per apprendere rapidamente la fisica e i collegamenti sociali. Potrebbero essere studenti efficienti. Veri studenti. Non solo pappagalli di dati.
Il lago è emozionato.
“Sono entusiasta di vedere quali tipi di nuove architetture verranno inventati dai ricercatori”, afferma.
Nuovi approcci stanno arrivando. Oppure lo faranno. La domanda non è se l’intelligenza artificiale possa imparare come un bambino. Dipende se abbiamo la pazienza di insegnarlo.
Chi tiene la macchina fotografica? 🍼
