Les enfants surpassent les intelligences artificielles en matière d’apprentissage du langage, et les raisons de cette efficacité restent un mystère pour les chercheurs.
L’acquisition du langage par les modèles de langage de grande taille (LLM) exige des quantités de données colossales, souvent des centaines de milliers de fois supérieures à celles nécessaires à un enfant humain. Cette disparité souligne une différence fondamentale dans les mécanismes d’apprentissage entre l’homme et la machine, interrogeant la nature même de l’intelligence.
Alors qu’un LLM peut ingérer d’énormes volumes de texte et de conversations pour maîtriser la langue, les jeunes humains y parviennent avec une exposition bien plus limitée et des interactions contextuelles. Le fait que les machines nécessitent une telle quantité de données pour simuler la compréhension humaine met en lumière les limites actuelles des approches basées uniquement sur les données massives.
Comprendre pourquoi les enfants sont si efficaces dans cet apprentissage, sans nécessiter un tel déluge informationnel, pourrait ouvrir de nouvelles voies pour le développement d’IA plus efficientes, plus robustes et moins gourmandes en ressources énergétiques et computationnelles. Cette énigme pose un défi stimulant pour la recherche en intelligence artificielle, invitant à explorer les principes sous-jacents à l’apprentissage humain.
Source : MIT Tech Review AI