幼児の頭部に装着したビデオカメラの映像を用いて訓練されたニューラル・ネットワークは、大規模言語モデルよりもはるかに少ないデータで、単語と対象物を一致させられるようになることがわかった。 【この続きをMITテクノロジーレビューで読む】
