乳児の学習効率に最新AIが及ばず新指標で判明

Meta（メタ）やスタンフォード大学、東京大学、フランスの高等師範学校の研究者らは、乳児の視点で世界を理解できるかをAIに問う新テストEgoBabyVLMを公開しました。乳幼児の頭に装着したカメラで撮影した約1000時間の映像をモデルに与え、その世界を説明できるかを判定する試みです。結果として、最先端のモデルはこの雑然とした現実の映像に対して惨敗しました。

1歳児はプログラムを書けなくても、わずか一、二度見ただけで新しい物体を覚え、断片的な観察と身体的な接触から世界を学びます。一方で今日のAIは、膨大な学習データと小国並みの電力を消費します。研究者は、赤ちゃんの脳の構造にこそ、低コストで省エネなAIを実現する鍵があると考えています。

言語面では、2023年のBabyLMが、10歳児が触れる程度の少ないデータで文法を学べることを示し、文法が脳に生得的に備わるとするチョムスキーの説に一石を投じました。しかし物理世界の理解は事情が異なります。ETHチューリッヒの言語学者コッターレル氏は「人間同士のやり取りには、インターネットのような大規模なデータが存在しない」と指摘します。

MITの認知科学者テネンバウム氏は、Transformerがデータのパターン抽出に長ける一方で、物理世界や社会的力学、心の理論といった常識を獲得できないと語ります。純粋なパターン学習だけでは、赤ちゃんが受け取るデータから彼らが学ぶすべてを再現することは難しい、というのです。

打開策も見え始めています。スタンフォード大学のフランク氏らは今年、同じ乳児視点の映像を使い、物体同士が時間とともにどう影響し合うかという因果や時間関係を効率的に学ぶ新型モデルを検証しました。物理推論の基盤を従来より効果的に習得できたといい、物理や社会関係を素早く学ぶよう設計されたモデルが、全体として優れた学習器になる可能性を示しています。