如果你认为运行在数千个尖端计算芯片上的人工智能模型很聪明，那么请让我向你介绍一下1岁小孩的概念。好吧，婴儿可能无法编写计算机程序、解决高等数学问题或辩论哲学思想。但与今天的人工智能模型不同，这些模型需要消耗海量的训练数据和相当于一个小国的能量，婴儿用惊人的效率学习并理解世界。他们在看过一次或两次之后便能识别新物体，并通过短暂的观察和身体互动进行学习。当谈到提高人工智能时，婴儿及其大脑的结构可能提供重要的见解。构建更像婴儿的人工智能版本，可能会使前沿模型的成本更低、能耗更少，而且如果希望人工智能驱动的机器人以更自然的方式了解周围环境，这也可能是有价值的。为了探索这一大胆的新前沿，Meta、斯坦福大学、东京大学和法国的高等师范学院的研究人员开发了一种新测试，突出了婴儿的学习能力并推进人工智能研究者设计匹配这些能力的算法。EgoBabyVLM挑战赛评估视觉语言模型（VLMs）在多大程度上能够理解世界，且符合婴儿的视角。这要求模型在吸收了大约一千小时从绑在婴儿和幼儿头上的摄像机收集的录像后，描述这个世界。（没错，真的是。）事实证明，当这些尖端模型被喂入如此真实和杂乱的画面时，他们表现糟糕透顶，这表明婴儿大脑的设计可能有某种独特之处，使其能如此迅速地从很少的信息中进行学习。与精心策划的数据集不同，婴儿从万花筒般的视角中学习：父母谈论不再可见的物体，用目光或手势指示事物，或者讨论过去或未来的事件，而不是当下正在发生的事情。斯坦福大学语言学习的认知科学家迈克尔·弗兰克说，婴儿不仅通过语言学习，还通过丰富的多模态和触觉体验进行学习。这个测试表明，当涉及人工智能时，弗兰克说：“显然需要的东西超出了单一的语言。”语言学习EgoBabyVLM只是科学家们用人工智能探索人类智能的最新例子。2023年推出的BabyLM挑战赛，让人工智能模型以估计一个10岁小孩所学数据量——数千万个单词，来学习语言句法，而人工智能模型所需数据量则达数万亿。值得注意的是，这表明基于转换器的人工智能模型——通过关注不同句子中单词之间的关系来处理语言——这一发现挑战了诺姆·乔姆斯基关于句法如何在人的大脑中硬接入的思想。瑞士联邦理工学院的语言学家瑞安·科特瑞尔表示，当涉及理解物理世界时，情况有所不同。“不会有大量的人类互动语料库——没有人类互动的互联网，”他说。麻省理工学院的认知科学家约书亚·特内鲍姆指出，BabyLM表明模型并未获得关于物理世界、社会动态或心智理论的“常识”。“转换器在数据中寻找模式的能力非常强，”特内鲍姆说。“但看起来，单纯的模式学习系统无法获取婴儿或儿童所接收的数据，并学习他们所掌握的所有知识。”一个持久的问题是，进化是否找到了一种方式来优化人类和其他动物的某些学习技能，或者简单的学习算法是否能做到我们所做的一切。“在认知科学和神经科学中，关于大脑在进化中内置了多少内容，存在许多争论，”特内鲍姆说。“大脑极其复杂，内置结构和架构非常多。”2024年，研究人员展示了一种基本的视觉语言模型（VLM）可以仅通过摄取从一个婴儿头部录制的数据来学习简单的事物，例如球是什么。但这距离以复杂的方式推理世界仍有很长的路要走。“神秘的是，孩子们如何在两岁时就达到他们所具备的全部能力，”参与该项目的普林斯顿大学认知科学家布伦丹·莱克说。EgoBabyVLM论文的作者建议，从认知科学和神经科学借鉴不同的想法，可能会使我们朝着更加类人的学习算法取得进展。这包括设计可以在更长时间内集中注意力并能解释社会线索的模型。斯坦福的弗兰克已经表明，新颖的方法可以让我们更接近于婴儿般的人工智能。早前