Modelos de Mundo de Aprendizado Zero São Alunos Eficientes em Termos de Desenvolvimento
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
Resumo
Crianças pequenas demonstram habilidades precoces para compreender seu mundo físico, estimando profundidade, movimento, coerência de objetos, interações e muitos outros aspectos da compreensão de cenas físicas. As crianças são sistemas cognitivos tanto eficientes em dados quanto flexíveis, criando competência apesar de dados de treinamento extremamente limitados, enquanto generalizam para uma miríade de tarefas não treinadas – um grande desafio mesmo para os melhores sistemas de IA atuais. Aqui, introduzimos uma nova hipótese computacional para essas habilidades, o Modelo de Mundo Visual de Escala Zero (ZWM). O ZWM é baseado em três princípios: um preditor esparso temporalmente fatorado que desacopla aparência de dinâmica; estimação de escala zero por meio de inferência causal aproximada; e composição de inferências para construir habilidades mais complexas. Mostramos que o ZWM pode ser aprendido a partir da experiência em primeira pessoa de uma única criança, gerando rapidamente competência em múltiplos benchmarks de compreensão física. Ele também recapitula amplamente assinaturas comportamentais do desenvolvimento infantil e constrói representações internas semelhantes às do cérebro. Nosso trabalho apresenta um projeto para aprendizado eficiente e flexível a partir de dados em escala humana, avançando tanto uma explicação computacional para a compreensão física precoce das crianças quanto um caminho para sistemas de IA eficientes em dados.
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.