Acha que aquele supercomputador que produz poesia é genial? Espere até conhecer uma criança de um ano.
Os bebês não sabem escrever código. Eles certamente não estão debatendo metafísica. Mas aqui está o problema: a IA de hoje devora dados de treinamento como se estivessem fora de moda, consumindo eletricidade comparável à produção de uma pequena nação. Enquanto isso, uma criança humana descobre a realidade com uma eficiência assustadora. Um ou dois olham para um objeto. Bum. Identificação garantida. O aprendizado acontece por meio de observação fugaz. Toque físico. É eficiente. É biológico. Isso supera nossos cérebros de silício.
Os pesquisadores estão começando a admitir algo desconfortável. O segredo para uma IA melhor e mais barata pode estar nos cérebros dos bebês.
Para explorar esta nova e ousada fronteira, precisávamos de um teste que realmente levasse os modelos a pensar como crianças.
A verificação da realidade do EgoBabyVLM
Meta, Stanford, a Universidade de Tóquio e a École Normale Supéérieure da França se uniram. Eles construíram um desafio. EgoBabyVLM.
Ele força os modelos de linguagem de visão – VLMs que digerem texto e imagens – a dar sentido ao mundo da mesma forma que um bebê. O conjunto de dados? Cerca de mil horas de vídeo gravado por câmeras presas diretamente às cabeças dos bebês. Sim, realmente.
E os resultados? Decepcionante para a indústria de IA.
Os modelos atuais de primeira linha falham. Miseravelmente. Eles engasgam com a filmagem confusa e caótica em primeira pessoa da experiência humana real. O fracasso sugere uma dura verdade. Algo na arquitetura do cérebro humano permite que ele aprenda rapidamente a partir de pequenos fragmentos de informação. Nossos algoritmos não podem tocar nisso.
Dados confusos, aprendizado rico
Conjuntos de dados selecionados são uma muleta. Os bebês não usam muletas.
Eles aprendem com um caleidoscópio. Pais apontando para objetos invisíveis. Gestos. Falando sobre coisas que ainda não aconteceram. Memórias passadas. Não são apenas palavras. É tátil. É multimodal. Michael Frank, um cientista cognitivo de Stanford envolvido no projeto, disse de forma simples: a linguagem por si só não é a resposta.
“Está claro que é necessário mais”, disse ele.
O que a sintaxe deu certo (e errado)
EgoBabyVLM não está sozinho. Os cientistas adoram usar a IA como um espelho da inteligência humana. Lembra do BabyLM de 2023? Esse desafio forçou a IA a aprender a sintaxe usando quantidades de dados comparáveis aos que uma criança de dez anos processa. Dezenas de milhões de palavras. Não trilhões.
Os transformadores – a espinha dorsal da IA moderna – realmente conseguiram. Eles mostraram que os mecanismos de atenção pura poderiam compreender as relações das palavras sem os enormes consumidores de dados a que estamos acostumados. Isso deu um tapa na cara de Noam Chomsky. Talvez a sintaxe não esteja conectada. Talvez tenha sido aprendido.
Mas a linguagem é fácil. O mundo físico? Nem tanto.
Ryan Cotterell, da ETH Zurique, apontou uma lacuna. “Não haverá um corpus grande”, disse ele. “Sem internet de interações humanas.”
Joshua Tenenbaum, do MIT, vê os limites. Os transformadores encontram padrões. Claro. Mas eles não adquirem bom senso. Eles não entendem dinâmica social. Eles não têm uma teoria da mente.
Os transformadores são muito bons em encontrar padrões, mas não conseguem transformar a informação bruta de um bebê na compreensão complexa que uma criança desenvolve.
Tenenbaum faz a grande questão. A evolução nos otimizou com atalhos integrados? Ou o cérebro é apenas uma maquinaria complexa com estrutura inerente? Ele se inclina para a estrutura. Muito disso.
Em 2024, alguém mostrou que um VLM básico poderia identificar uma bola apenas a partir da alimentação da câmera na cabeça de um bebê. Foi impressionante. Também era primitivo. Não foi raciocínio. Foi uma correspondência de padrões. Brendan Lake, de Princeton, observa que a lacuna permanece.
“O mistério é como as crianças adquirem todas as capacidades aos 2 anos.”
Rumo a uma Mente Causal
Os autores do EgoBabyVLM acham que o caminho a seguir se baseia na neurociência. Precisamos de modelos que prestem atenção por mais tempo. Precisamos deles para interpretar sinais sociais. Não apenas arranjos de pixels.
Frank já provou um ponto. No início deste ano, sua equipe testou um novo modelo focado na causalidade. Ele rastreou relações visuais e temporais usando os mesmos dados de vídeos de bebês. O modelo aprendeu a dinâmica dos objetos. Como as coisas afetam umas às outras ao longo do tempo.
Funcionou.
Era muito melhor que os modelos padrão em raciocínio físico.
A possibilidade está aí. Modelos tendenciosos para aprender física e ligações sociais rapidamente. Eles poderiam ser alunos eficientes. Alunos reais. Não apenas papagaios de dados.
Lago está animado.
“Estou animado para ver que tipos de novas arquiteturas os pesquisadores apresentam”, diz ele.
Novas abordagens estão chegando. Ou eles irão. A questão não é se a IA pode aprender como um bebê. É se temos paciência para ensiná-lo.
Quem está segurando a câmera? 🍼
