పిల్లలు ఒక ఏడాదిలోనే మాతృభాషలో ప్రావీణ్యం సాధిస్తుంటే, LLM (పెద్ద మొత్తంలో డేటాతో శిక్షణ పొందే కృత్రిమ మేధస్సు భాషా నమూనాలు) మాత్రం అపారమైన డేటాను వాడుకుంటున్నాయి. ఈ రెండింటి మధ్య ఉన్న డేటా సామర్థ్య వ్యత్యాసం AI పరిశోధనలకు, మెదడు పనితీరును అధ్యయనం చేసే కాగ్నిటివ్ సైన్స్కు పెద్ద సవాలుగా మారింది.
ఒక వ్యక్తి 20 ఏళ్ల వయసు వచ్చేసరికి సుమారు 10 కోట్ల పదాలను వింటాడు. కానీ, ఆధునిక LLM మోడల్స్ ఒకే తరంలో ఒక నగరం మొత్తం వినే పదాల కంటే ఎక్కువ డేటాను చూస్తున్నాయి. పిల్లలు వినే 10 కోట్ల పదాలను పేర్చితే కేవలం 20 మీటర్ల ఎత్తు మాత్రమే ఉంటుంది. అదే ఒక ఆధునిక LLM శిక్షణకు వాడే పదాలను పేర్చితే, అవి అంతరిక్ష కేంద్రం (International Space Station) దాటి అంత ఎత్తుకు చేరుకుంటాయి.
పిల్లలు భాషను ఎలా నేర్చుకుంటున్నారో తెలుసుకుని, అదే పద్ధతిని AIలో అమలు చేయాలని పరిశోధకులు ప్రయత్నిస్తున్నారు. తక్కువ డేటాతో ఎక్కువ ఫలితాలను ఇచ్చే AI మోడల్స్ను తయారు చేయడం వీరి లక్ష్యం. ఈ ప్రక్రియ ద్వారా పిల్లల మెదడు అభివృద్ధి, భాషా పరిజ్ఞానంపై ఉన్న సందేహాలకు సమాధానాలు దొరికే అవకాశం ఉంది.
అమెరికాలో దశాబ్దాల పాటు భాషా శాస్త్రంపై Chomskyan (భాష అనేది తార్కిక నియమాలపై ఆధారపడి ఉంటుందని చెప్పే సిద్ధాంతం) ప్రభావం ఎక్కువగా ఉంది. పిల్లలు భాషను నేర్చుకోవాలంటే వారికి పుట్టుకతోనే కొన్ని నియమాలు తెలిసి ఉండాలని ఈ సిద్ధాంతం చెబుతుంది. 1950, 60వ దశకాల్లో AI రంగం మొదలైనప్పుడు, కంప్యూటర్ సైన్స్పై ఈ సిద్ధాంతం భారీ ప్రభావం చూపింది.
ప్రస్తుతం పరిశోధకులు ఈ పాత సిద్ధాంతాలను, ఆధునిక యంత్ర నమూనాలను పోల్చి చూస్తున్నారు. పిల్లల అభ్యాస పద్ధతులను AIలో పరీక్షించడం ద్వారా భాషా విజ్ఞానంలో ఉన్న చిక్కుముడులను విప్పవచ్చని వారు భావిస్తున్నారు.
