Peneliti dari Meta, Stanford, Universitas Tokyo, dan École Normale Supérieure merilis tantangan EgoBabyVLM yang membuktikan model kecerdasan buatan vision-language gagal memahami dunia seperti bayi berusia satu tahun. Uji coba tersebut menggunakan seribu jam rekaman kamera yang dipasang di kepala balita, lalu membeberkan betapa borosnya sistem AI saat ini dibandingkan efisiensi otak manusia usia dini.
Bayi tidak perlu menghafal triliunan data atau menyerap listrik setara konsumsi sebuah negara kecil untuk mengenali benda baru. Cukup satu atau dua kali melihat objek, anak usia satu tahun sudah bisa memetakan maknanya melalui observasi singkat dan interaksi fisik. Kemampuan itu menjadi cermin betapa jauhnya model AI frontier dari cara belajar alami manusia.
Kesenjangan ini memicu lahirnya EgoBabyVLM, sebuah benchmark yang menuntut model vision-language menjelaskan dunia dari sudut pandang bayi. Rekamannya tidak dikurasi. Orang tua berbicara tentang benda yang sudah tak terlihat, menunjuk dengan tatapan, atau menceritakan kejadian masa lalu dan masa depan. Model AI modern ternyata terpuruk saat diberi footage nyata dan berantakan tersebut.
Michael Frank, ilmuwan kognitif Stanford yang menggarap EgoBabyVLM, menegaskan bahwa balita belajar dari pengalaman multimodal dan taktil yang kaya, bukan sekadar teks. Temuan itu menunjukkan ada sesuatu dalam arsitektur otak bayi yang memungkinkan pembelajaran cepat dari informasi sangat terbatas. Pendekatan kurasi data raksasa selama ini terbukti menutupi kelemahan mendasar algoritma.
Sebelum EgoBabyVLM, tantangan BabyLM pada 2023 sudah membandingkan kemampuan model transformer mempelajari sintaks dengan volume data setara anak usia 10 tahun, yakni puluhan juta kata. Hasilnya mengejutkan karena transformer bisa menangani tugas itu, namun gagal memahami dunia fisik, dinamika sosial, dan teori pikiran. Ryan Cotterell dari ETH Zurich menyoroti tidak adanya korpus interaksi manusia sebanyak internet untuk mempelajari fisik.
Joshua Tenenbaum dari MIT menambahkan bahwa transformer hanya mahir mencari pola, bukan membangun common sense dari data mentah ala anak kecil. Brendan Lake dari Princeton menyebut misteri terbesar adalah bagaimana anak usia dua tahun meraih kapabilitas penuh yang belum bisa ditiru algoritma, meski riset 2024 sudah membuktikan VLM dasar bisa mengenali bola dari rekaman satu bayi.
Bagi industri teknologi Indonesia, temuan ini relevan karena banyak perusahaan lokal mulai mengadopsi model vision-language untuk layanan edukasi dan robotik. Ketergantungan pada komputasi awan luar negeri membuat biaya inferensi mahal dan boros energi. Jika algoritma bisa belajar ala bayi, peluang membangun model efisien di server lokal terbuka lebar.
Di sisi lain, universitas seperti ITB dan UGM sudah meneliti cognitive computing, namun kolaborasi lintas disiplin dengan neurosains masih jarang. EgoBabyVLM memberi templat agar peneliti domestik tidak terjebak pada fine-tuning model barat, melainkan merancang arsitektur yang cocok dengan kendala infrastruktur di negara berkembang.
Frank bersama koleganya tahun ini menguji model baru yang bias belajar kausalitas serta hubungan visual dan temporal dari video kepala bayi yang sama. Model itu lebih efektif memahami dinamika objek sebagai fondasi penalaran fisik. Lake menyebut EgoBabyVLM tantangan luar biasa yang akan mendorong arsitektur baru.
Tenenbaum menekankan perdebatan ilmiah soal seberapa banyak struktur otak dibentuk evolusi, mengingat kompleksitasnya sangat tinggi. Penggabungan ide kognitif dan neurosains ke dalam AI dinilai jalan keluar menuju pembelajaran humanlike yang tidak hanya hemat, tetapi juga natural bagi robot.
Ke depan, tantangan EgoBabyVLM diproyeksikan memicu lomba arsitektur AI yang menangkap cue sosial dan memori jangka panjang. Jika berhasil, robot dengan kemampuan eksplorasi lingkungan ala balita dapat hadir tanpa tagihan listrik selangit. Indonesia dengan pasar robotik industri dan agrikultur besar akan diuntungkan jika riset ini matang.
Langkah berikutnya adalah memperluas korpus video ke budaya non-barat agar model tidak bias. Peneliti juga akan menguji apakah bias fisika dan relasi sosial bisa menurunkan kebutuhan data secara drastis. Evolusi AI dari peniru pola menjadi pembelajar efisien seperti bayi tinggal menunggu waktu.