ゼロショットの世界モデルは発達的に効率的な学習者である

Abstract

幼い子どもたちは、奥行き、運動、物体のまとまり、相互作用、そして物理シーン理解の他の多くの側面を推定するなど、物理的な世界を理解するための早期の能力を示します。子どもは、学習データが極めて限られているにもかかわらず、訓練されていない無数の課題へと一般化することで、柔軟かつデータ効率のよい認知システムです。これは、今日の最良のAIシステムにとっても大きな課題です。ここでは、これらの能力のための新しい計算仮説として、ゼロショット視覚ワールドモデル（ZWM）を導入します。ZWMは3つの原理に基づいています。すなわち、外観とダイナミクスを切り離す、疎で時間的に因数分解された予測器。近似的な因果推論によるゼロショット推定。そして、推論を合成してより複雑な能力を構築することです。私たちは、ZWMが1人の子どもの一人称体験から学習でき、複数の物理理解ベンチマークにわたって素早く有能さ（competence）を生成できることを示します。また、子どもの発達に見られる行動の特徴を幅広く再現し、脳のような内部表現も構築します。本研究は、人間規模のデータから効率的かつ柔軟に学習するための設計図を提示し、子どもの初期の物理理解に対する計算論的な説明の発展と、データ効率のよいAIシステムへの道筋の両方を前進させます。