Princeton-AI leert duizenden woorden uit 1.000 dagen kinderspraak

Onderzoekers van Princeton University hebben AI-modellen getraind om gesproken woorden te leren zoals kinderen dat doen: dag na dag, uit de spraak die ze thuis horen. Volgens een via EurekAlert verspreid persbericht van Princeton verscheen de studie op 5 november 2026 in het tijdschrift Science en volgt ze ongeveer de eerste 1.000 levensdagen van kinderen die thuis werden opgenomen. SingularityHub berichtte er op 12 november over en het Portugese medium Pplware op 14 november.

Een model is hier een neuraal netwerk: een programma uit lagen eenvoudige rekeneenheden waarvan de verbindingen tijdens de training worden bijgesteld. Herhaling (replay) is de techniek in het hart van de studie. Aan het einde van elke gesimuleerde dag hoort het model opnieuw een selectie van de spraak die het al had gehoord, een idee geïnspireerd door de manier waarop slaap volgens de aanname herinneringen in de hersenen vastlegt, aldus SingularityHub.

Welke gegevens verzamelden de onderzoekers?

Volgens Princeton werden 17 baby’s uit 15 huishoudens in New Jersey opgenomen tijdens hun eerste drie levensjaren, en de analyse omvat 8 van deze kinderen. EurekAlert meldt 1,2 miljoen uur aan gegevens, verzameld over ongeveer 1.000 dagen. SingularityHub voegt toe dat elk huis tussen 4 en 14 apparaten had die zo’n 12 uur per dag draaiden, en dat ouders het recht hielden om opnames in te trekken of te wissen, binnen een ethisch kader dat het team had ontworpen.

Na het verwijderen van ruis, lange stiltes en overlappende gesprekken hield het team tot 6.600 uur audio per kind over om een individueel model te trainen, aldus SingularityHub. Ter vergelijking wijst hetzelfde medium erop dat grote taalmodellen, de systemen achter chatbots, miljarden woorden tekst nodig hebben.

Waarom had het model een nacht herhaling nodig?

Elk model begon bij nul: zonder lijst van Engelse klanken en zonder aanwijzing waar een woord eindigt en het volgende begint, aldus SingularityHub. Het had twee delen: een audio-encoder die spraak in stukjes van 20 milliseconden knipt en een voorspellende decoder die was getraind om te anticiperen op de volgende klanken. Princeton legt uit dat het model de spraak van het kind dag voor dag en op volgorde kreeg, in plaats van de door elkaar gehusselde gegevens waarmee gewone neurale netwerken worden gebouwd.

De eerste resultaten waren teleurstellend. Hadas Raviv, computationeel cognitiewetenschapper bij Princeton, zei volgens SingularityHub dat het model simpelweg blootstellen aan de dagelijkse spraakstroom niet genoeg was. Een herhalingsfase aan het einde van elke gesimuleerde dag veranderde de uitkomst. Princeton vat samen wat het model nodig heeft: een hele dag spraak, dag na dag, en een nacht om die te herhalen.

Wat leerde de AI, en hoe snel?

• Met herhaling leerden de modellen eerst fonemen, de basale klankeenheden van een taal, en daarna terugkerende woorden, aldus SingularityHub.
• Bij de acht kinderen leerden de modellen ongeveer 37 fonemen binnen 15 maanden en begonnen ze woorden te herkennen vóór de leeftijd van twee jaar, in sterk uiteenlopend tempo, aldus SingularityHub.
• Rond de grens van 1.000 dagen had de woordenschat van de AI-tegenhanger van elk kind duizenden woorden bereikt, aldus SingularityHub en Pplware.
• Door parameters zoals de hoeveelheid herhaling tijdens de replay en de verwerkingssnelheid aan te passen, kreeg het team woordbegripstrajecten die bij elk kind pasten, aldus Princeton via EurekAlert.

Princeton benadrukt waarom dit ertoe doet: de psychologie leunde grotendeels op gemiddelden, en een model dat individuele kinderen volgt opent de deur om ontwikkeling kind voor kind te bestuderen. Het persbericht zegt ook dat het model in elk huishouden taal leerde begrijpen, ondanks grote verschillen in de spraak waaraan de kinderen werden blootgesteld.

Wat zijn de grenzen van de studie?

De onderzoekers benadrukken dat de AI niet precies leert zoals een baby. Volgens Pplware gebruiken kinderen ook visuele aanwijzingen, gebaren en sociale interactie. SingularityHub voegt toe dat het model alleen met geluid leerde en informatie niet zo parallel en energiezuinig verwerkt als neuronen. Welke kenmerken van het model echt kinderlijk leren weerspiegelen en welke rekenkundige sluiproutes zijn, moet volgens hetzelfde medium nog worden uitgezocht. De gelezen bronnen beschrijven ook een beperkte steekproef, 8 kinderen uit huishoudens in New Jersey: uitbreiding naar andere talen of omgevingen is niet aangetoond.

Waar dient dit onderzoek voor?

Volgens EurekAlert wil het Princeton-team het model gebruiken om het effect van meer of minder slaap, of van verschillende soorten spraak zoals televisie, te testen, en hoopt het leerstoornissen beter te diagnosticeren door te begrijpen hoe een typisch brein taal leert. Raviv zei dat het doel, anders dan bij een groot deel van de moderne AI die bovenmenselijke prestaties nastreeft, is te begrijpen hoe mensen leren.

Pplware en SingularityHub voegen toe dat de aanpak efficiëntere AI-modellen kan inspireren die met minder gegevens leren. Dat is een hypothese, geen resultaat van de studie: geen van beide bronnen meldt een gemeten besparing aan gegevens of energie. Zara Harmon en Caroline Rowland van het Max Planck Instituut voor Psycholinguïstiek, die er niet bij betrokken waren, schreven dat zulk werk het mogelijk maakt leren te modelleren onder steeds realistischer omstandigheden, aldus SingularityHub.

Wat verandert er voor een bedrijf?

Voor een Nederlands bedrijf is hier nog niets een product: het model is een onderzoeksinstrument, geen dienst. Drie punten verdienen aandacht. Ten eerste kunnen teams die spraakassistenten, taalleer-apps of op spraak gebaseerde gezondheidstools bouwen het replayprincipe noteren, dat suggereert te trainen op een continue stroom met periodieke herhaling in plaats van alleen op enorme, gehusselde corpora; dat moet buiten het laboratorium nog worden bevestigd.

Ten tweede de gegevens. Doorlopende thuisopnames van jonge kinderen vereisten een kader waarmee ouders hun gegevens kunnen intrekken of wissen, een bruikbare referentie voor elk bedrijf dat stemgegevens van kinderen verwerkt volgens de regels voor gegevensbescherming. Ten derde zijn beloften van een lager energieverbruik voorlopig onbewezen en horen ze niet in een businesscase totdat gemeten resultaten zijn gepubliceerd.