जब हम आज के सबसे उन्नत कृत्रिम बुद्धिमत्ता (AI) मॉडलों की तुलना एक‑साल के शिशु से करते हैं, तो स्पष्ट हो जाता है कि सीखने की दक्षता में अंतर बहुत बड़ा है। हजारों चिप्स पर चलने वाले मॉडल को ट्रिलियन‑स्तर के डेटा और एक छोटे देश जितनी ऊर्जा की आवश्यकता होती है, जबकि शिशु केवल दो‑तीन बार देख कर नई वस्तुओं को पहचान लेता है। यही अंतर भविष्य के AI को अधिक ऊर्जा‑सघन और महँगा बना रहा है।

शिशु‑मस्तिष्क की अद्भुत सीखने की शैली

शिशु न केवल भाषा से, बल्कि दृश्य, स्पर्श और सामाजिक संकेतों से भी सीखते हैं। उनका मस्तिष्क लगातार बदलते परिवेश में कई इंद्रियों के डेटा को एक साथ समेटता है—जैसे माता‑पिता की निगाह, इशारे और पिछले अनुभवों का मिश्रण। इस बहु‑इंद्रियीय सीखने की रणनीति को समझना AI अनुसंधान में नई दिशा खोल सकता है।

EgoBabyVLM चुनौती: वास्तविक‑दुनिया के वीडियो से AI को परखना

मेटा, स्टैनफ़र्ड, टोक्यो विश्वविद्यालय और École Normale Supérieure की टीम ने “EgoBabyVLM” नामक एक परीक्षण विकसित किया, जिसमें शिशु‑हेड कैमरों से दर्ज लगभग एक हजार घंटे के फुटेज को AI मॉडल को दिखाया जाता है। लक्ष्य था कि मॉडल इस अराजक, असंरचित डेटा से दुनिया का वर्णन कर सके—जैसे शिशु करता है। परिणाम स्पष्ट था: मौजूदा सबसे उन्नत विज़न‑लैंग्वेज मॉडल भी इस डेटा को समझने में विफल रहे।

भविष्य की राह: बहु‑इंद्रियीय, कम‑डेटा सीखना

शोधकर्ता अब इस बात पर ज़ोर दे रहे हैं कि AI को केवल भाषा या पैटर्न पहचान तक सीमित नहीं रखा जा सकता। उन्हें ऐसे एल्गोरिदम चाहिए जो सामाजिक संकेत, भौतिक कारण‑प्रभाव और समय‑क्रमिक संबंधों को समझ सकें—जैसे शिशु अपने आसपास की चीज़ों को सीखता है। स्टैनफ़र्ड के माइकल फ्रैंक ने पहले ही एक मॉडल प्रस्तुत किया है, जो शिशु‑हेड वीडियो से कारण‑परिणाम संबंध और वस्तु‑गतिशीलता को सीखता है।

निष्कर्ष: शिशु‑प्रेरित AI का वादा

यदि भविष्य के AI मॉडल शिशु की तरह कम डेटा, कम ऊर्जा में तेज़ी से सीख सकें, तो न केवल लागत घटेगी बल्कि रोबोटिक सिस्टम अधिक स्वाभाविक तरीके से पर्यावरण को समझ पाएँगे। यह दिशा विज्ञान, न्यूरो‑विज्ञान और मशीन लर्निंग के संगम पर नई संभावनाएँ खोलती है।