I modelli del mondo a zero colpi sono apprendenti efficienti dal punto di vista dello sviluppo

Zero-shot World Models Are Developmentally Efficient Learners

April 11, 2026

Autori: 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

Abstract

I bambini piccoli dimostrano precoci abilità nel comprendere il loro mondo fisico, stimando profondità, movimento, coerenza degli oggetti, interazioni e molti altri aspetti della comprensione delle scene fisiche. I bambini sono sistemi cognitivi sia efficienti dal punto di vista dei dati che flessibili, sviluppando competenze nonostante dati di addestramento estremamente limitati, generalizzando al contempo verso una miriade di compiti non addestrati – una sfida importante anche per i migliori sistemi di IA odierni. Qui introduciamo una nuova ipotesi computazionale per queste abilità, il Modello Visivo del Mondo a Zero-shot (ZWM). Lo ZWM si basa su tre principi: un predittore sparso a fattorizzazione temporale che disaccoppia l'aspetto esteriore dalla dinamica; una stima zero-shot attraverso l'inferenza causale approssimata; e la composizione di inferenze per costruire abilità più complesse. Mostriamo che lo ZWM può essere appreso dall'esperienza in prima persona di un singolo bambino, generando rapidamente competenza su molteplici benchmark di comprensione fisica. Esso riproduce anche ampiamente le firme comportamentali dello sviluppo infantile e costruisce rappresentazioni interne simili a quelle cerebrali. Il nostro lavoro presenta un progetto per un apprendimento efficiente e flessibile da dati di scala umana, avanzando sia una spiegazione computazionale della precoce comprensione fisica dei bambini che un percorso verso sistemi di IA efficienti nell'uso dei dati.

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.