Przez co najmniej 100 tysięcy lat tylko jedno na świecie mogło nauczyć się ludzkiego języka do doskonałości - dziecko człowieka. Teraz są dwa. Cztery lata po wydaniu ChatGPT naturalna rozmowa ze smartfonem lub komputerem stała się rzeczą oczywistą, a modele takie jak Claude, DeepSeek i GPT OpenAI są wystarczająco biegłe by udawać ludzi. Jednak za zasłoną obliczeniową czai się haczyk: nauczenie komputera używać ludzkiego języka wymaga nieproporcjonalnej ilości danych.
Model językowy bez problemu przetwarza sto tysięcy razy więcej słów niż osoba doświadczy ucząc się swojego języka ojczystego - znacznie więcej niż dzieci słyszą do pierwszych urodzin, kiedy zwykle zaczynają opanowywać mowę. Michael C. Frank, naukowiec zajmujący się poznaniem na Uniwersytecie Stanforda, mówi o LLM: Postępy ostatnio były niesamowite, ale wciąż musimy spalić las i wykopać całą sumę ludzkiej wiedzy, by odtworzyć ten kamień milowy, który dzieje się w naszych domach przez rok.
Ta przepaść między dziećmi i maszynami, zwana data efficiency gap, stawia przed naukowcem zajmującymi się poznaniem i architektami modeli AI fascynujące pytanie: jak to możliwe, że dzieci wciąż przewyższają najbardziej lingwistycznie zaawansowane maszyny? Odkrycie odpowiedzi mogłoby zarówno wyjaśnić fundamenty ludzkiego uczenia się, jak i umożliwić rozwój bardziej wydajnych systemów AI.