Investigadores de Meta, Stanford, la Universidad de Tokio y la École Normale Supérieure francesa han creado un test, el EgoBabyVLM Challenge, que evalúa si los modelos de visión y lenguaje son capaces de aprender a partir de unas mil horas de vídeo grabado con cámaras colocadas en la cabeza de bebés y niños pequeños. Los modelos más avanzados fracasan al enfrentarse a estas grabaciones reales y desordenadas, lo que sugiere que el cerebro humano posee un diseño distinto, más eficiente en el aprendizaje.
El proyecto forma parte de una línea de investigación más amplia que compara el aprendizaje infantil con el de los sistemas de inteligencia artificial. En 2023, el desafío BabyLM demostró que los modelos transformer pueden adquirir reglas sintácticas con una cantidad de datos equivalente a la que recibe un niño de diez años, un hallazgo que cuestiona las tesis de Noam Chomsky sobre la gramática innata. Sin embargo, esos mismos modelos no llegan a desarrollar sentido común sobre el mundo físico, las dinámicas sociales ni la teoría de la mente, según Joshua Tenenbaum, del MIT.
Los autores del nuevo trabajo proponen inspirarse en la ciencia cognitiva y la neurociencia para diseñar algoritmos más parecidos al aprendizaje humano, capaces de prestar atención durante periodos largos e interpretar señales sociales. Michael Frank, de Stanford, ya ha probado un modelo que, con los mismos vídeos tomados a bebés, aprende eficazmente relaciones de causalidad y dinámica física, una base para el razonamiento físico.