ИИ уступает годовалому ребёнку: Meta и Стэнфорд представили тест EgoBabyVLM

Учёные из Meta, Стэнфордского университета, Токийского университета и французской Высшей нормальной школы разработали новый тест, EgoBabyVLM Challenge, чтобы понять, почему годовалый ребёнок учится узнавать мир куда эффективнее, чем современный ИИ, потребляющий на порядки больше данных и энергии. Тест проверяет визуально-языковые модели (VLM, модели, обучающиеся сразу на тексте и изображениях): модель должна описать происходящее, «просмотрев» около тысячи часов реального видео с камер, закреплённых на головах младенцев и малышей.

Результат для передовых моделей оказался провальным: на этом «грязном», неразмеченном материале, где родители говорят о предметах вне кадра, указывают взглядом или жестом, обсуждают прошлое и будущее вместо происходящего здесь и сейчас, ИИ теряется почти полностью. Как отмечает когнитивист Стэнфорда Майкл Фрэнк, участвовавший в создании теста, результаты показывают: «ясно, что нужно что-то большее, чем просто язык». Это перекликается с более ранним тестом BabyLM (2023 год, автор, лингвист Райан Коттерелл из ETH Zurich): там трансформерные модели, обучавшиеся на объёме текста, сопоставимом с тем, что усваивает 10-летний ребёнок (десятки миллионов слов против триллионов у типичного ИИ), неожиданно хорошо освоили синтаксис языка, эта находка ставит под сомнение идею Ноама Хомского о том, что синтаксис изначально «зашит» в человеческий мозг.

Но с пониманием физического мира дело обстоит иначе. Когнитивист MIT (Массачусетский технологический институт) Джошуа Тененбаум отмечает, что BabyLM не научил модели «здравому смыслу» о физическом мире, социальных взаимодействиях и теории психики: «Трансформеры отлично находят закономерности в данных. Но похоже, что чисто паттерн-обучающиеся системы не способны взять те же данные, что получает ребёнок, и научиться всему, чему учится он». Коттерелл добавляет, что здесь нет готового решения по аналогии с текстом: если не будет большого корпуса человеческих взаимодействий, то и «интернета человеческих взаимодействий» не появится.

При этом прогресс есть. В 2024 году исследователи показали, что базовая VLM, обученная только на видео с головы одного младенца, способна усвоить простые понятия, например, что такое мяч, хотя, по словам когнитивиста Принстона Брендана Лейка, до полного набора способностей двухлетнего ребёнка ей далеко. В 2025 году сам Фрэнк с коллегами протестировал на тех же «детских» видеоданных модель, «заточенную» под причинно-следственные, зрительные и временны́е связи между объектами, и она гораздо эффективнее освоила динамику их взаимодействия, что авторы называют основой для физического мышления. Авторы EgoBabyVLM предлагают и дальше заимствовать идеи когнитивистики и нейронауки: учить модели удерживать внимание дольше и распознавать социальные сигналы. Цель, не имитировать младенца ради самой имитации, а получить более экономные по данным и энергии архитектуры ИИ и научить будущих ИИ-роботов осваивать новую обстановку так же естественно, как это делает ребёнок. «EgoBabyVLM, прекрасный тест, говорит Лейк., Мне не терпится увидеть, какие новые архитектуры, подходы и решения предложат исследователи».

Ключевые факты

Meta, Стэнфордский университет, Токийский университет и французская Высшая нормальная школа разработали тест EgoBabyVLM Challenge для визуально-языковых моделей (VLM).
Модель должна понять происходящее, «просмотрев» около тысячи часов видео с камер, закреплённых на головах младенцев и малышей.
Ведущие ИИ-модели на этом реалистичном «грязном» видео проваливаются почти полностью, в отличие от годовалых детей, которые узнают новый предмет за один-два показа.
Более ранний тест BabyLM (2023) показал: трансформеры неплохо осваивают синтаксис языка на десятках миллионов слов (примерно как 10-летний ребёнок), но не приобретают «здравый смысл» о физическом мире и социальных ситуациях.
В 2024, 2025 годах модели, обученные на видео с головы одного младенца, освоили простые понятия («что такое мяч») и начали улавливать причинно-следственные связи между объектами, но полноценного рассуждения о мире у ИИ пока нет.

Почему это важно

Современные ИИ-модели требуют огромных объёмов данных и энергии для обучения, а простой годовалый ребёнок узнаёт новый предмет с одного-двух показов. Meta, Стэнфорд, Токийский университет и французская Высшая нормальная школа предложили тест EgoBabyVLM Challenge, который проверяет, способны ли визуально-языковые модели (VLM) научиться понимать мир так же эффективно, как это делают младенцы. Результат ожидаемо неутешительный для ИИ: модели, лидирующие на привычных бенчмарках, на реальном «детском» видео проваливаются почти полностью. Это подтверждает давнее наблюдение когнитивистов, чистое обучение на паттернах не заменяет то, как учится живой мозг, и указывает направление для более экономных архитектур ИИ.

Кому это важно

Разработчикам архитектур ИИ, которые ищут способы снизить стоимость и энергопотребление обучения передовых моделей. Специалистам по робототехнике: роботам нужно осваивать новую обстановку так же гибко, как ребёнок осваивает комнату, а не только по размеченным датасетам. Когнитивистам и нейроучёным, Майклу Фрэнку (Стэнфорд), Джошуа Тененбауму (MIT), Райану Коттереллу (ETH Zurich) и Брендану Лейку (Принстон), которые ищут в устройстве обучения человеческого мозга подсказки для новых алгоритмов.

Как это применить

EgoBabyVLM, открытый тест: модель должна описать происходящее, «просмотрев» около тысячи часов видео с камер, закреплённых на головах младенцев и малышей, с естественным шумом, репликами родителей о предметах вне кадра, взглядами и жестами вместо явных подписей. Авторы предлагают разработчикам моделей заимствовать идеи из когнитивистики: учить модели удерживать внимание на длинных интервалах и распознавать социальные сигналы (взгляд, жест, тон), а не только текст и статичную картинку. Ранее, в 2024 году, базовая VLM, обученная на видео с головы одного младенца, смогла освоить простые понятия («что такое мяч»); в 2025 году команда Фрэнка показала, что модель, «заточенная» под причинно-следственные и временны́е связи, гораздо эффективнее осваивает динамику взаимодействия объектов на тех же данных, это шаг к базовому физическому мышлению у ИИ.

Можно ли доверять

Материал Wired (рубрика AI Lab, автор, Уилл Найт) опирается на реальных, названных поимённо учёных из Meta, Стэнфорда, MIT, Принстона и ETH Zurich, часть из которых, авторы или участники разработки EgoBabyVLM и более раннего теста BabyLM (2023). Приведены прямые цитаты и ссылки на конкретные исследования 2023, 2025 годов. Ключевая находка, ожидаемая, а не сенсационная: она согласуется с давним консенсусом когнитивистики о разрыве между обучением ИИ на паттернах и обучением ребёнка, что снижает риск преувеличения.

Риски и подводные камни

Тест, не готовый продукт и не «дорожная карта» индустрии, а исследовательский инструмент; сроки и коммерческое применение результатов не названы. Учёные подчёркивают ограничение: в отличие от текста, для которого есть огромный массив в интернете, сопоставимого по масштабу «интернета человеческих взаимодействий» не существует, собрать такой видеодатасет труднее и дороже. Остаётся открытым и научный спор: сколько в обучении ребёнка заложено эволюцией «от рождения», а сколько, результат общих алгоритмов обучения; однозначного ответа материал не даёт, а значит и рецепта, как перенести «детскую» эффективность в ИИ, пока тоже нет.

«Трансформеры отлично находят закономерности в данных. Но, похоже, системы, основанные только на паттерн-обучении, не способны взять те же данные, что получает ребёнок, и научиться всему, чему учится он.»

— Джошуа Тененбаум, когнитивист Массачусетского технологического института (MIT)

Компания Meta Platforms признана экстремистской организацией, её деятельность на территории РФ запрещена.