AI Isn’t Smarter Than a Baby—Yet

개요

아기들의 효율적인 학습 방식에서 영감을 얻어 AI 모델의 비용 및 에너지 효율성을 개선하려는 연구가 진행되고 있습니다.

주요 내용

* 아기들은 적은 양의 데이터로도 빠르게 세상을 이해하고 새로운 객체를 인지하지만, 현재 AI 모델은 방대한 데이터와 에너지를 소비합니다.
* Meta, 스탠포드 대학, 도쿄 대학, 프랑스 국립고등사범학교 연구진은 아기들의 학습 능력을 측정하고 AI 알고리즘 개발을 촉진하기 위한 EgoBabyVLM 챌린지를 개발했습니다.
* EgoBabyVLM 챌린지는 아기 머리에 부착된 카메라로 수집된 약 1,000시간 분량의 비디오 데이터를 Vision Language Model (VLM)이 얼마나 잘 이해하는지 평가합니다.
* 실제 아기의 시각 및 언어 경험 데이터로 학습한 최첨단 VLM은 처참한 실패를 보여, 아기 뇌의 학습 방식과 AI 설계 간의 차이를 시사합니다.
* 아기들은 큐레이션된 데이터셋이 아닌, 다양한 시점(과거/미래 대화, 시선, 제스처 등)에서의 풍부한 다중 모달 및 촉각적 경험을 통해 학습합니다.
* BabyLM 챌린지는 AI 모델이 10살 어린이가 습득하는 데이터 양으로 언어의 구문론을 학습할 수 있음을 보여주었지만, 물리적 세계에 대한 이해는 여전히 부족합니다.
* 트랜스포머 모델은 데이터 패턴 학습에 뛰어나지만, 아기가 습득하는 데이터를 통해 모든 것을 학습하는 것은 어려운 것으로 보입니다.
* 인지 과학자들은 진화가 인간과 동물의 특정 학습 기술을 최적화했는지, 또는 단순한 학습 알고리즘이 모든 것을 수행할 수 있는지에 대해 논의 중입니다.
* 최근 연구에서는 단일 아기의 머리 영상 데이터만으로 사물을 인지하는 기본 VLM이 학습되었지만, 정교한 추론 능력과는 거리가 멉니다.
* EgoBabyVLM 논문 저자들은 인지 과학 및 신경 과학의 아이디어를 차용하여 인간과 유사한 학습 알고리즘 개발에 진전을 이룰 수 있다고 제안합니다.
* 기존 연구에서 인과 관계, 시공간적 관계 학습에 능숙한 새로운 모델이 아기 머리 영상 데이터를 사용하여 객체의 동역학을 훨씬 효과적으로 학습했습니다.

시사점

아기들의 효율적이고 다중적인 학습 방식을 모방한 AI 설계는 AI 모델의 비용 및 에너지 효율성을 크게 개선하고, 로봇이 환경을 더 자연스럽게 학습하는 데 기여할 수 있습니다.