Nowe badania pokazują zasadniczą różnicę między tym, jak dzieci a jak modele sztucznej inteligencji uczą się nowych słów. Podczas gdy dzieci wykazują przyspieszającą krzywą uczenia - każde kolejne doświadczenie językowe wnosi więcej wiedzy niż poprzednie - modele językowe, w tym trenowane na mowie skierowanej do dzieci, podlegają stałym zwrotom proporcjonalnym do nowych danych.
Otrzymane wyniki rzucają światło na fundamentalną nieefektywność obecnych systemów AI. Dzieci osiągają porównywalne rezultaty używając wielokrotnie mniej danych treningowych niż modele językowe. Ta znaczna różnica w wydajności sugeruje, że coś istotnie innego dzieje się w procesie nauki dziecka - mechanizm, który pozwala im na coraz bardziej efektywne wykorzystanie każdej kolejnej jednostki doświadczenia.
Wyniki mają znaczenie dla zrozumienia zarówno ludzkiego nabywania języka, jak i limitów obecnych modeli AI. Jeśli przyspieszające zwroty dzieci wynikają z określonych mechanizmów poznawczych, mogą stać się inspiracją dla nowych podejść do trenowania systemów sztucznej inteligencji. Problem nie leży tylko w ilości danych, ale w sposobie ich przetwarzania i wykorzystania.