
何が起きたか
Meta、Stanford、東京大学、École Normale Supérieureの研究者らは、乳幼児の頭部に装着されたカメラから記録された約1,000時間の映像を使用して、AIビジョン言語モデルがどの程度世界を理解できるかを測定する「EgoBabyVLMチャレンジ」を開発した。テストの結果、最先端モデルは現実的で雑然とした映像では失敗することが明らかになった。一方、乳幼児は言語、ジェスチャー、視線、物理的相互作用を含む少量で多様なモーダルな経験から急速に学習する。
なぜ重要か
乳幼児は物体を1~2回見ただけで認識し、現在のAIモデルが必要とする膨大なデータよりはるかに少ないデータとエネルギーで世界を理解している。現在のAIモデルは数兆の言葉と膨大な学習データを必要とするが、乳幼児の脳がこの効率性をどのように実現しているかを理解することで、コストと消費電力の少ないAIシステムの設計が可能になる。また、純粋なパターンマッチングから物理、社会動力学、因果関係の推論へシフトし、ロボットが環境をナビゲートする方法に近い学習が実現する可能性がある。
注目点
EgoBabyVLMチャレンジと関連研究(単一の乳幼児の映像データから基本的なビジョン言語モデルが簡単な概念を学べることを示した2024年の発見を含む)により、研究者は認知科学と神経科学に基づいた新しいアーキテクチャの探索を進めている。Stanford研究者Michael Frankは、因果関係と視覚-時間的関係を学習するように設計されたモデルが、標準的なアプローチよりも物体ダイナミクスをはるかに効果的に理解できることをすでに実証している。
こういう要約が、毎朝あなたのメールに届きます。
EgoBabyVLMチャレンジは3つの長年の研究課題の交差点に位置している:乳幼児がいかに効率的に学習するのか、現在のAIモデルがその規模にもかかわらずなぜもろいのか、そして人間の脳のアーキテクチャが硅基システムがまだ捉えていない学習原理をエンコードしているのかである。この論文は、BabyLMのような以前の研究に基づいている。2023年のBabyLMチャレンジはAIモデルに対して10歳の子どもが消費する程度のデータ(数兆ではなく数千万語)を用いて言語学習を行うよう求め、トランスフォーマーモデルが構文において相応の成績を収められることを発見した。しかし、言語学者Ryan Cotterell(ETH Zurich)が指摘した通り、物理世界はより異なる問題を提示する。訓練に用いる「人間的相互作用のインターネット」が存在しないため、研究者はテキストを超えた思考を余儀なくされている。言語と具体化された理解の間のこのギャップこそが、EgoBabyVLMテストが貢献する場所である。乳幼児の実際の一人称視点の映像を使用することで、人間が実際に知識を獲得する方法を反映した、より現実的な学習のベンチマークが創造される。
テストの知見は、疎で非構造化データに直面した際に最先端モデルが失敗することを示しており、これはいかに洗練されていようとも純粋なパターンマッチングだけでは乳幼児が直感的に行う推論に不十分であることを示唆している。MIT のJoshua Tenenbaum のような認知科学者は、進化が脳に特定の学習アルゴリズムを最適化したのか、あるいはより単純なメカニズムが人間の学習を複製できるのかという問題に焦点を当てている。Frank の2024年の研究は、因果関係と時間的関係を学習するように設計されたモデルがはるかに優れたパフォーマンスを示すことで具体的な手がかりを提供している。認知科学からのアーキテクチャアイデア(より長い時間スケールで動作し社会的信号を解釈する注意メカニズムなど)を借用することで、より効率的な学習が実現される可能性がある。この含意は双方向性を持つ。AI能力を前進させる(モデルをリソース消費効率が高く堅牢にする)と同時に、人間の脳の設計原理を照らし出す。乳幼児のようなAIの進歩は、人間が実際にどのように学習するかについての仮説に等しいからである。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
次の記事へSuno、数百万曲をスクレイピング学習