Um bebê de um ano nunca leu um artigo científico, nunca processou um terabyte de texto e nunca teve acesso a um cluster de GPUs. Ainda assim, ele reconhece um cachorro depois de vê-lo uma ou duas vezes, entende que um objeto escondido atrás de um sofá continua existindo e aprende, por observação e tato, uma quantidade de coisas sobre física, linguagem e comportamento social que nenhum modelo de inteligência artificial hoje consegue replicar com a mesma eficiência. É essa comparação — provocadora, mas cientificamente fundamentada — que motivou um grupo de pesquisadores de instituições como Meta, Stanford, Universidade de Tóquio e a École Normale Supérieure a criar um teste batizado de EgoBabyVLM Challenge, conforme reportagem da revista Wired.
O experimento é literal: câmeras foram presas à cabeça de bebês e crianças pequenas, registrando cerca de mil horas de vídeo do que elas efetivamente veem no dia a dia — um fluxo caótico, cheio de cortes bruscos, objetos parcialmente visíveis, gente falando sobre coisas que não estão na cena e gestos que substituem palavras. Modelos de linguagem visual (VLMs), a categoria de IA que aprende cruzando texto e imagem, foram então expostos a esse material para tentar descrever o mundo como uma criança o vê. O resultado, segundo a reportagem da Wired, foi um desempenho fraco: os sistemas mais avançados de hoje simplesmente não dão conta da bagunça sensorial que qualquer bebê processa naturalmente.
O paralelo com o desafio BabyLM
O EgoBabyVLM não nasceu isolado. Ele segue uma linha de pesquisa iniciada em 2023 pelo BabyLM Challenge, criado pelo linguista Ryan Cotterell, da ETH Zurique, e colegas. A proposta ali era mais restrita: treinar modelos de linguagem usando apenas a quantidade de palavras que uma criança escuta até os 13 anos — algo entre 10 e 100 milhões de palavras, contra os trilhões usados por modelos comerciais atuais. Crianças conseguem adquirir linguagem a partir de menos de 100 milhões de palavras de input, enquanto modelos de linguagem em larga escala são muito menos eficientes, tipicamente exigindo de três a quatro ordens de grandeza a mais de dados e ainda assim sem igualar o desempenho humano em diversas avaliações.
Curiosamente, no terreno estritamente linguístico, os resultados do BabyLM surpreenderam parte da comunidade científica. Avaliações da comunidade revelaram que modelos submetidos ao desafio, treinados com dados em escala infantil e objetivos e arquiteturas ajustados, conseguem se aproximar — e em alguns cenários até superar — modelos treinados com bilhões de tokens, principalmente em conjuntos de avaliação relevantes do ponto de vista do desenvolvimento. Esse achado é lido por parte dos pesquisadores como um desafio a ideias clássicas de Noam Chomsky sobre uma gramática universal geneticamente pré-programada — se um transformador consegue captar regularidades sintáticas com dados tão limitados, talvez o "milagre" da aquisição da linguagem seja menos misterioso do que se pensava.
"Transformadores são muito bons em encontrar padrões nos dados. Mas parece que sistemas puramente baseados em aprendizado de padrões não conseguem pegar o tipo de dado que um bebê ou uma criança recebe e aprender tudo o que eles aprendem." Joshua Tenenbaum, cientista cognitivo do MIT, à revista Wired
É exatamente aí que o BabyLM e o EgoBabyVLM se separam. Quando o desafio deixa de ser sobre sintaxe e passa a ser sobre entender o mundo físico e social — o que é causa e efeito, o que alguém quis dizer com um gesto, o que continua existindo fora do campo de visão — os modelos de linguagem visual patinam. Segundo a reportagem da Wired, isso sugere que há algo na arquitetura do cérebro infantil, e não apenas na quantidade de dados recebidos, que permite esse tipo de aprendizado rápido e robusto a partir de experiências multimodais e táteis, não apenas de linguagem.
Por que isso interessa além do laboratório
A motivação prática por trás dessas pesquisas é dupla. Primeiro, custo: treinar modelos de fronteira consome volumes de energia comparáveis aos de países inteiros. A Agência Internacional de Energia estima que o consumo mundial de eletricidade dos data centers deve praticamente dobrar entre 2025 e 2030, saltando de 485 para cerca de 950 terawatts-hora, com a inteligência artificial como principal motor desse avanço. No Brasil, a trajetória é semelhante: projeções incorporadas ao planejamento do Operador Nacional do Sistema Elétrico apontam que a demanda adicional de data centers deve saltar de 89 megawatts médios em 2025 para 2.157 megawatts médios em 2030, um crescimento que já pressiona decisões sobre matriz energética em estados como Rio de Janeiro, Rio Grande do Sul e Paraná.
Se arquiteturas inspiradas no aprendizado infantil conseguirem manter desempenho com muito menos dados e menos processamento, o ganho não é apenas acadêmico — é uma resposta direta a um dos maiores gargalos da expansão da IA, que é energético e não apenas algorítmico.
A segunda motivação é a robótica. Um robô que precisa entender um ambiente novo, físico, imprevisível, se beneficiaria de aprender como uma criança aprende: por tentativa, erro, e observação contínua, em vez de depender de bases de dados gigantescas e cuidadosamente curadas que simplesmente não existem para a maioria das situações do mundo real. Como resume o linguista Ryan Cotterell na reportagem da Wired, não existe um grande corpus de interações humanas com o mundo físico disponível na internet, ao contrário do que ocorre com a linguagem escrita.
Contraponto
Nem todos os pesquisadores da área veem esse paralelo como uma virada de chave iminente. Parte da comunidade de neurociência argumenta que o cérebro humano carrega estruturas evolutivas específicas — construídas ao longo de milhões de anos de seleção — que simplesmente não são replicáveis por meio de ajustes de arquitetura de curto prazo em redes neurais artificiais. O próprio Tenenbaum reconhece que existe intenso debate científico sobre o quanto da capacidade cognitiva humana é inata versus aprendida, e que o cérebro possui "muita estrutura construída" que ainda não sabemos como traduzir em código.
Há também quem pondere que a comparação entre bebês e modelos de IA, por mais didática que seja, seja usada de forma excessivamente simplificada em debates públicos sobre os limites da inteligência artificial — como se bastasse "imitar um bebê" para resolver de uma vez os desafios de generalização e senso comum que hoje afligem os grandes modelos.
O que a ciência do desenvolvimento infantil já sabia
Para quem acompanha pesquisa sobre primeira infância no Brasil, a ideia de que os primeiros anos de vida concentram uma capacidade de aprendizado extraordinária não é novidade. O Núcleo Ciência pela Infância (NCPI) — coalizão que reúne a Fundação Maria Cecília Souto Vidigal, o Center on the Developing Child de Harvard, a Faculdade de Medicina da USP e o Insper — documenta há mais de uma década que a primeira infância, entendida como a fase entre 0 e 6 anos, é o período em que ocorrem o desenvolvimento de estruturas e circuitos cerebrais e a aquisição de capacidades fundamentais que sustentarão habilidades mais complexas no futuro.
Um dos pontos centrais desses estudos é que a construção dos circuitos cerebrais é fortemente influenciada pelas experiências dos primeiros anos de vida, mediadas sobretudo pela qualidade das relações socioafetivas entre a criança e seus cuidadores — exatamente o tipo de interação rica, contextual e multimodal que os pesquisadores do EgoBabyVLM identificam como ausente nos dados de treinamento das IAs atuais. Não é coincidência: são duas linhas de pesquisa, uma em ciência cognitiva computacional e outra em neurociência do desenvolvimento, chegando a uma conclusão parecida por caminhos diferentes.
Isso reforça um argumento que educadores brasileiros já vinham fazendo antes da onda de IA generativa: investir em primeira infância tem retorno cognitivo e social difícil de replicar depois. Agora, esse mesmo argumento ganha um interlocutor inesperado — os laboratórios que tentam construir a próxima geração de modelos de inteligência artificial.
Este artigo foi inspirado na reportagem "AI Isn't Smarter Than a Baby—Yet", publicada pela revista Wired em wired.com/story/ai-isnt-smarter-than-a-baby-yet. O texto original não foi reproduzido nem traduzido integralmente; passagens citadas receberam a devida atribuição. Reportagem e apuração adicional: Equipe O Tecido, com pesquisa complementar em fontes citadas na seção de Referências.