零样本世界模型是发展高效的学习者

幼儿表现出理解物理世界、估计深度、运动、物体连贯性、交互以及物理场景理解的许多其他方面的早期能力。儿童是数据高效且灵活的认知系统，尽管训练数据极其有限，但仍能创造能力，同时泛化到无数未经训练的任务——即使对于当今最好的人工智能系统来说，这也是一个重大挑战。在这里，我们为这些能力引入了一种新颖的计算假设，即零样本世界模型（ZWM）。 ZWM 基于三个原则：稀疏时间因子预测器，将外观与动态分离；通过近似因果推理进行零样本估计；以及推理的组合以构建更复杂的能力。我们证明，ZWM 可以从单个孩子的第一人称体验中学习，从而快速生成跨越多个物理理解基准的能力。它还显示了学习过程中能力的逐步、分阶段的出现，并建立了类似大脑的内部表征。我们的工作为从人类规模的数据中高效、灵活地学习提供了蓝图，推进了儿童早期物理理解的计算解释和通往数据高效的人工智能系统的道路。