แม้ว่า Large Language Models (LLMs) ในปัจจุบันจะสามารถสนทนาได้อย่างเป็นธรรมชาติ แต่เบื้องหลังความสำเร็จนั้นต้องแลกมาด้วยการประมวลผลข้อมูลจำนวนมหาศาล โดย LLM ต้องการข้อมูลมากกว่าที่เด็กคนหนึ่งจะได้ยินในช่วงปีแรกถึงหนึ่งแสนเท่า นักวิทยาศาสตร์เรียกสิ่งนี้ว่า "ช่องว่างประสิทธิภาพของข้อมูล" และกำลังพยายามหาคำตอบว่ามนุษย์ทำได้อย่างไร
การศึกษานี้มีความสำคัญอย่างยิ่งเพราะปริมาณข้อมูลบนอินเทอร์เน็ตที่ใช้ฝึกสอน AI อาจหมดลงภายในปี 2030 นักวิจัยจาก Stanford และสถาบันอื่นๆ กำลังทดสอบสมมติฐานว่า มนุษย์มีสัญชาตญาณทางภาษามาแต่กำเนิด หรือเรามีความสามารถพิเศษในการวิเคราะห์สถิติจากตัวอย่างเพียงน้อยนิด หากเราสามารถถอดรหัสวิธีการเรียนรู้ของเด็กได้ จะช่วยให้การพัฒนา AI มีประสิทธิภาพมากขึ้น ใช้พลังงานน้อยลง และสามารถพัฒนา AI สำหรับกลุ่มภาษาที่มีข้อมูลน้อย (Minority Languages) ได้ดีขึ้น
