Null-Shot-Weltmodelle sind entwicklungsmäßig effiziente Lerner
Zero-shot World Models Are Developmentally Efficient Learners
April 11, 2026
Autoren: Khai Loong Aw, Klemen Kotar, Wanhee Lee, Seungwoo Kim, Khaled Jedoui, Rahul Venkatesh, Lilian Naing Chen, Michael C. Frank, Daniel L. K. Yamins
cs.AI
Zusammenfassung
Kleine Kinder zeigen bereits früh die Fähigkeit, ihre physische Welt zu verstehen, indem sie Tiefe, Bewegung, Objektkohärenz, Interaktionen und viele andere Aspekte des physikalischen Szenenverständnisses einschätzen. Kinder sind sowohl dateneffiziente als auch flexible kognitive Systeme, die Kompetenz entwickeln, obwohl sie über extrem begrenzte Trainingsdaten verfügen, und gleichzeitig eine Generalisierung auf unzählige nicht trainierte Aufgaben vornehmen – eine große Herausforderung selbst für die besten KI-Systeme von heute. Hier stellen wir eine neuartige computationelle Hypothese für diese Fähigkeiten vor: das Zero-shot Visual World Model (ZWM). ZWM basiert auf drei Prinzipien: einem spärlichen, zeitlich faktorisierten Prädiktor, der Erscheinungsbild von Dynamik entkoppelt; Zero-shot-Schätzung durch approximative kausale Inferenz; und Komposition von Schlussfolgerungen, um komplexere Fähigkeiten aufzubauen. Wir zeigen, dass ZWM aus der Egoperspektive eines einzelnen Kindes erlernt werden kann und schnell Kompetenz über mehrere Benchmarks zum physikalischen Verständnis hinweg generiert. Es rekapituliert zudem breit behavioral Signaturen der kindlichen Entwicklung und bildet gehirnähnliche interne Repräsentationen. Unsere Arbeit liefert einen Entwurf für effizientes und flexibles Lernen aus menschenähnlichen Datenmengen und trägt sowohl zu einem computationellen Erklärungsansatz für das frühe physikalische Verständnis von Kindern als auch zu einem Pfad in Richtung dateneffizienter KI-Systeme bei.
English
Young children demonstrate early abilities to understand their physical world, estimating depth, motion, object coherence, interactions, and many other aspects of physical scene understanding. Children are both data-efficient and flexible cognitive systems, creating competence despite extremely limited training data, while generalizing to myriad untrained tasks -- a major challenge even for today's best AI systems. Here we introduce a novel computational hypothesis for these abilities, the Zero-shot Visual World Model (ZWM). ZWM is based on three principles: a sparse temporally-factored predictor that decouples appearance from dynamics; zero-shot estimation through approximate causal inference; and composition of inferences to build more complex abilities. We show that ZWM can be learned from the first-person experience of a single child, rapidly generating competence across multiple physical understanding benchmarks. It also broadly recapitulates behavioral signatures of child development and builds brain-like internal representations. Our work presents a blueprint for efficient and flexible learning from human-scale data, advancing both a computational account for children's early physical understanding and a path toward data-efficient AI systems.