Wetenschappers hebben een mogelijke doorbraak gevonden voor een hardnekkig probleem binnen de kunstmatige intelligentie: het vermogen van systemen om correcte conclusies te trekken op basis van zeer beperkte hoeveelheden data. Door te bestuderen hoe kinderen van één jaar oud de wereld waarnemen, is ontdekt dat de structuur van visuele ervaringen belangrijker is dan de totale hoeveelheid informatie. Dit proces, waarbij men leert generaliseren vanuit kleine sets voorbeelden, staat centraal in de cognitieve ontwikkeling en het bredere concept van britannica.com.
In een studie die is gepubliceerd via arxiv.org, hebben onderzoekers Frangil Ramirez, Elizabeth Clerkin, David J. Crandall en Linda B. Smith geanalyseerd hoe jonge kinderen razendsnel categorieën vormen. Terwijl moderne computermodellen vaak duizenden voorbeelden nodig hebben om een object te herkennen, kunnen baby's dit doen met slechts een handvol waarnemingen. Om dit mechanisme te ontrafelen, gebruikten de wetenschappers camera's op de hoofden van veertien baby's tijdens in totaal 87 maaltijden, waarbij ze focusten op acht verschillende categorieën objecten.
De verzamelde data onthulden dat de visuele input van baby's niet gelijkmatig is verdeeld. Volgens de is er sprake van een sterke scheefheid in de ervaringen: kinderen zien zeer vaak dezelfde specifieke objecten (zoals één specifiek object), terwijl andere objecten uit dezelfde categorie zelden voorkomen. Deze herhaling van specifieke items vormt de basis van hun visuele wereld.
Door gebruik te maken van grafentheoretische analyses ontdekten de onderzoekers dat deze visuele informatie is georganiseerd in een specifieke structuur. Er is sprake van een combinatie van hoge variabiliteit en clusters van beelden die sterk op elkaar lijken, maar wel met elkaar verbonden zijn. Deze bijzondere mix van data blijkt essentieel voor het leerproces. In computationele experimenten bleek dat het nabootsen van deze menselijke ervaring — een netwerk van beelden met zowel hoge als lage gelijkenis — leidde tot een veel sneller vermogen om nieuwe objecten te herkennen, zelfs na een korte trainingsperiode. Dit type zelfsturend en gestructureerd leren sluit aan bij bredere educatieve principes die worden verkend via platforms zoals open.edu.
De implicaties van dit onderzoek, dat ook is opgenomen in PNAS 2026, zijn significant voor zowel de informatica als de psychologie. Het suggereert dat de effectiviteit van leren niet afhangt van de kwantiteit van de data, maar van de statistische organisatie ervan. Voor de ontwikkeling van machine learning betekent dit dat het simpelweg toevoegen van meer data minder effectief kan zijn dan het creëren van 'geclusterde' ervaringen die de menselijke waarneming nabootsen.
Het onderzoek concludeert dat de idiosyncratische ervaringen van baby's, waarbij ze herhaaldelijk specifieke objecten in diverse contexten zien, fundamenteel zijn voor de constructie van categorieën in het brein. De volledige methodologie en de resultaten van deze studie zijn raadpleegbaar in de , met een laatste revisie gedateerd op 12 augustus 2026.