何が起きたか
Meta、スタンフォード大学、東京大学、フランスの高等師範学校（École Normale Supérieure）の研究者らが「EgoBabyVLM Challenge」を公開しました。これは、乳幼児の頭部に固定したカメラで収集した約1000時間の映像をVLM（テキストと画像の両方から学ぶ視覚言語モデル）に与え、赤ちゃんが見る世界をどれだけ理解できるかを測るテストです。結果は明快で、最先端モデルはこの現実的で雑然とした映像を前にすると大きく失敗します。1歳前後の赤ちゃんが一度か二度見ただけで新しい物体を認識するのとは対照的です。
なぜ重要か
今日のAIは膨大な訓練データと、小国並みの電力を消費します。一方で赤ちゃんは、断片的な観察と身体的なやり取りだけで、圧倒的な効率で世界を学びます。もしAIを「より赤ちゃんに近い」設計にできれば、フロンティアモデルのコストとエネルギー消費を下げ、AI搭載ロボットが環境をより自然に学べるようになる——それがこの挑戦の狙いです。今回の失敗は、赤ちゃんの脳の設計そのものが「少ない情報からの高速学習」を可能にしていることを裏づけます。
背景：BabyLMからの流れ
2023年に登場した先行課題「BabyLM」は、10歳児が浴びる程度のデータ量で言語の文法を学ばせるものでした。Transformer型モデルは文法をかなりうまく習得でき、これは「文法は脳に生得的に組み込まれている」というノーム・チョムスキーの主張に一石を投じました。しかしBabyLMは同時に、モデルが物理世界・社会的力学・心の理論（他者の心を推し量る力）といった「常識」を獲得しないことも示しました。
MITのジョシュア・テネンバウム氏は「Transformerはデータのパターン発見が非常に得意だが、純粋なパターン学習だけでは、赤ちゃんや子どもが受け取るデータから彼らが学ぶすべてを学べないようだ」と指摘します。マイケル・フランク氏も「言語だけでは足りない何かが必要なのは明らかだ」と述べます。赤ちゃんは、視界にない物について親が話したり、視線やジェスチャーで指し示したり、過去や未来を語ったりする——多感覚的で触覚を伴う体験から学んでいるのです。
次の一手
論文の著者らは、より長い時間にわたって注意を払い、社会的手がかりを解釈するモデルなど、認知科学・神経科学からのアイデアの借用を提案しています。実際2024年には、一人の乳児の頭部映像だけから「ボールとは何か」といった単純な概念を学べる基本的なVLMが示されました。さらに今年、フランク氏らは因果・視覚・時間関係の学習に長けた新型モデルを同じ映像で試し、物体の動きの学習が大幅に改善したと報告しています。プリンストン大のブレンダン・レイク氏は「2歳の時点で子どもがすでに持つ能力に、どうやって到達するのかが謎だ」と語ります。
💼 事業会社視点：これは自社にどう効くか
注目すべきは「データ量ではなく学習効率」というパラダイム転換の兆しです。現状のフロンティアAIは、大量データと莫大な電力を前提とし、資本力のある巨大テック企業に有利な構造でした。ETHチューリッヒのライアン・コッテレル氏が言うように「人間の相互作用の巨大コーパスは存在しない——人間のやり取りのインターネットはない」。つまり、Web上のデータを増やし続ける路線には天井があります。
日本企業への含意は具体的です。第一に、少数データからの高速学習が実用化すれば、大規模データを持たない中堅SaaSや受託開発企業でも、自社の現場データだけで有用なモデルを構築できる余地が広がります。第二に、製造・物流ロボットを扱う企業にとって、環境を「赤ちゃんのように」自然学習させるアプローチはPoCの敷居を下げます。経営者・事業責任者は、いま巨大モデルへの追随投資を積み増すより、（1）自社固有の多感覚・現場データを今のうちに構造化して蓄える、（2）省データ・省エネ型アーキテクチャの研究動向をウォッチする、という守りと仕込みに予算を振り分けるのが賢明です。