Думаете, суперкомпьютер, генерирующий поэзию — это гений? Дождитесь встречи с годовалым ребенком.
Младенцы не пишут код. Они определенно не спорят о метафизике. Но вот в чем загвоздка: сегодняшние системы ИИ поглощают обучающие данные как будто это последний тренд, потребляя электричество, сопоставимое с выработкой целой небольшой страны. Тем временем человеческий младенец осваивает реальность с пугающей эффективностью. Один-два взгляда на объект. Вуаля. Объект идентифицирован. Обучение происходит через мимолетные наблюдения и физический контакт. Это эффективно. Это биологично. Это безоговорочно превосходит наши кремниевые «мозги».
Исследователи начинают признавать неприятный факт: секрет создания более совершенного и дешевого ИИ может заключаться в мозге младенца.
Чтобы исследовать эту смелую новую границу, нам был нужен тест, который действительно заставлял модели думать как маленькие дети.
Проверка реальностью EgoBabyVLM
Специалисты из Meta, Стэнфордского университета, Токийского университета и Высшей нормальной школы во Франции объединились. Они создали вызов: EgoBabyVLM.
Он заставляет мультимодальные модели (VLM), обрабатывающие как текст, так и изображения, понимать мир так же, как это делает младенец. Какой набор данных? Около тысячи часов видео, записанного камерами, закрепленными прямо на головах младенцев. Да, именно так.
И результаты? Разочаровывающие для индустрии ИИ.
Современные модели высшего класса не справляются. Проваливаются. Они захлебываются на беспорядочных, хаотичных видеозаписях от первого лица, отражающих реальный человеческий опыт. Этот провал указывает на суровую правду. Что-то в архитектуре человеческого мозга позволяет ему быстро учиться на крошечных фрагментах информации. Наши алгоритмы не способны на такое.
Хаотичные данные, насыщенное обучение
Очищенные датасеты — это костыль. Младенцы на костылях не ходят.
Они учатся из калейдоскопа впечатлений: родители показывают на невидимые объекты, делают жесты, говорят о событиях, которые еще не произошли, или вспоминают прошлое. Это не только слова. Тактильность. Мультимодальность. Майкл Франк, когнитивный ученый из Стэнфорда, участвующий в проекте, выразился просто: одного языка недостаточно.
«Очевидно, что требуется что-то большее», — сказал он.
Что синтаксис сделал правильно (и неправильно)
EgoBabyVLM не единственный в своем роде. Ученые любят использовать ИИ как зеркало человеческого интеллекта. Помните BabyLM 2023 года? Этот вызов заставил ИИ изучать синтаксис, используя объемы данных, сопоставимые с тем, что перерабатывает десятилетний ребенок. Десятки миллионов слов. Не триллионы.
Трансформеры — основа современного ИИ — действительно справились. Они показали, что механизмы чистого внимания могут уловить взаимосвязи между словами без необходимости в тех гигантских объемах данных, к которым мы привыкли. Это стало ударом по теории Ноама Хомского. Возможно, синтаксис не зашит в нас на уровне инстинктов. Возможно, он усваивается в процессе обучения.
Но язык — это легко. Физический мир? Совсем другое дело.
Райан Коттерелл из Цюрихского федерального технологического института (ETH Zurich) отметил эту разницу: «Не будет существовать крупного корпуса», — сказал он. «Не будет “интернета человеческих взаимодействий”».
Джошуа Тененбаум из MIT видит эти ограничения. Трансформеры находят закономерности. Да. Но они не обретают здравого смысла. Они не понимают социальной динамики. У них отсутствует теория сознания (способность атрибутировать намерения другим существам).
Трансформеры очень хорошо находят закономерности, но они не способны превратить сырой входной сигнал младенца в сложное понимание, которое развивает ребенок.
Тененбаум задает главный вопрос: оптимизировала ли эволюция нас, встроив готовые «шорткаты»? Или мозг — это просто сложная машина с изначальной структурой? Он склоняется ко второму. В огромной степени.
В 2024 году было продемонстрировано, что базовая мультимодальная модель может распознать мячик, анализируя лишь один поток видео с камеры на голове младенца. Это было впечатляюще. Но также примитивно. Это не было рассуждением. Это было сопоставление паттернов. Бренден Лейк из Принстона отмечает, что разрыв все еще сохраняется.
«Тайна заключается в том, как дети к двум годам обретают полноту своих способностей».
Путь к причинному мышлению
Авторы EgoBabyVLM считают, что путь вперед лежит через заимствование идей у нейробиологии. Нам нужны модели, которые могут концентрировать внимание дольше. Нам нужны модели, которые интерпретируют социальные сигналы, а не просто расположение пикселей.
Франк уже доказал свою точку зрения. Ранее в этом году его команда протестировала новую модель, сфокусированную на причинно-следственных связях. Она отслеживала визуальные и временные отношения, используя те же видеоданные с младенцев. Модель усваивала динамику объектов. Как предметы влияют друг на друга со временем.
Это сработало.
Она демонстрировала гораздо лучшее физическое рассуждение по сравнению со стандартными моделями.
Перед нами висит возможность: модели, смещенные в сторону быстрого обучения законам физики и социальным связям. Они могут стать эффективными учениками. Настоящими учениками. А не просто попугаями, повторяющими данные.
Лейк воодушевлен.
«Я с нетерпением жду новых архитектур, которые предложат исследователи», — говорит он.
Новые подходы уже на горизонте. Или будут. Вопрос не в том, может ли ИИ учиться как младенец. Вопрос в том, есть ли у нас терпение, чтобы его этому научить.
Кто держит камеру? 🍼
