Los modelos del mundo de aprendizaje sin ejemplos son aprendices eficientes en términos de desarrollo.
Zero-shot World Models Are Developmentally Efficient Learners
April 11, 2026
Autores: 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
Resumen
Los niños pequeños demuestran habilidades tempranas para comprender su mundo físico, estimando la profundidad, el movimiento, la coherencia de los objetos, las interacciones y muchos otros aspectos de la comprensión de escenas físicas. Los niños son sistemas cognitivos eficientes en datos y flexibles, que generan competencia a pesar de datos de entrenamiento extremadamente limitados, mientras generalizan a una miríada de tareas no entrenadas, un desafío importante incluso para los mejores sistemas de IA actuales. Aquí presentamos una nueva hipótesis computacional para estas habilidades: el Modelo de Mundo Visual de Cero Disparos (ZWM). El ZWM se basa en tres principios: un predictor temporalmente factorizado y disperso que desacopla la apariencia de la dinámica; la estimación de cero disparos mediante inferencia causal aproximada; y la composición de inferencias para construir habilidades más complejas. Demostramos que el ZWM puede aprenderse a partir de la experiencia en primera persona de un solo niño, generando rápidamente competencia en múltiples benchmarks de comprensión física. También recapitula ampliamente las señales conductuales del desarrollo infantil y construye representaciones internas similares a las del cerebro. Nuestro trabajo presenta un plan para el aprendizaje eficiente y flexible a partir de datos a escala humana, avanzando tanto en una explicación computacional de la comprensión física temprana de los niños como en un camino hacia sistemas de IA eficientes en datos.
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.