스탠퍼드대 마이클 프랭크 등 인지과학자들은 LLM이 인간 아이보다 수십만 배 많은 데이터를 학습하고도 언어 습득에서는 뒤처진다는 '데이터 효율성 격차'를 연구하고 있다. 아이는 1,000만~3,000만 단어만 듣고도 문법적으로 올바른 문장을 구사하는 반면, 메타 Llama 3.1은 사전학습에 15조 토큰을 사용했다. 이 격차를 좁히기 위해 워스타트 등이 만든 BabyLM 대회는 1억 단어(유아 트랙은 1,000만 단어)로 모델을 학습시키며, 2024년 우승작 GPT-BERT는 1억 단어만으로 15,000배 많은 데이터로 학습한 메타 Llama 2 70B의 특정 벤치마크 성능을 넘어섰다. 프랭크의 SAYCam, 하슨의 '첫 1,000일' 프로젝트 등 아기 헤드캠 영상을 활용한 시도도 있지만 텍스트만큼 성공적이지 못했으며, 고프닉 등은 아이의 능동적 탐색과 사회적 학습이 핵심 요인일 수 있다고 본다. 데이터 격차 해소는 소수언어 AI 개발과 인간 인지 이해에도 중요한 함의를 갖는다.

• •아이는 1,000만~3,000만 단어만으로 문법적 문장 구사, LLM은 수조~수십조 토큰 필요('데이터 효율성 격차')
• •BabyLM 대회: 1억 단어(유아 트랙 1,000만 단어)로 학습, 2024 우승작 GPT-BERT가 15,000배 많은 데이터의 Llama 2 70B 능가
• •프랭크의 SAYCam, 하슨의 '첫 1,000일' 프로젝트 등 아기 헤드카 영상으로 멀티모달 학습 시도, 텍스트만큼 성공적이지 않음
• •고프닉·보나위츠: 아이의 능동적 탐색과 사회적 학습(교사 의도 추론)이 데이터 효율의 핵심일 가능성
• •데이터 격차 해소는 소수언어 AI 개발과 인간 언어습득 이해에 모두 기여할 잠재력