近期，人工智能在各项顶尖竞赛中的屡屡胜出，给公众留下了AI已全面超越人类的印象。然而，一项由UniPat AI、xbench、阿里巴巴、月之暗面（Moonshot AI）以及StepZen等知名机构联合发布的最新研究，为这种乐观情绪泼上了一盆冷水。研究结果令人震惊：即便是当前该领域领跑者Gemini 3 Pro Preview，其在视觉推理能力上仅略微超越三岁孩童，面对六岁孩童的认知水平时，仍存在高达20%的能力差距。
这项名为“BabyVision”的视觉推理“闭卷考试”，揭示了大型模型在感知物理世界方面的显著短板。那些曾经轻松应对复杂数学难题的AI巨头，如今在“找不同”、“空间拼图”这类对人类婴儿而言易如反掌的任务面前，却显得力不从心。
“语言陷阱”：AI为何“看不懂”世界？
拥有数万亿参数的大型模型，为何会在如此基础的视觉任务上“卡壳”？研究发现，根源在于它们本质上仍是“语言动物”。在处理视觉信息时，它们倾向于先将图像转化为文字描述，再进行逻辑推理。这种“曲线救国”的模式在宏观概念上尚能奏效，但一旦遇到难以被精确言语捕捉的视觉特征——如微小的曲线偏差、复杂的几何交叠、细微的空间遮挡关系——信息在转换过程中便大量损耗，导致推理失误。
视觉推理的四大“硬伤”
通过BabyVision基准测试，研究团队将大型模型的视觉缺陷归纳为四个维度：
-
非语言的精细细节缺失：大型模型往往无法区分像素级别的几何差异，在旋转和对齐形状的“脑内想象”能力不足时，在匹配类谜题中频繁选错。
-
流形一致性丢失：在长距离连接或轨迹追踪任务中，大型模型如同迷宫中迷失方向的孩子，在遇到路径交叉点时，容易“迷失”原始的感知线索。
-
空间想象力匮乏：文字描述无法精确还原三维空间，导致模型在推断积木的侧视图或隐藏体积时，常出现层数误计或投影错误。
-
视觉模式归纳障碍：它们更倾向于僵硬的“属性计数”，而非理解模式的变化，难以从少量视觉样本中提炼出深层因果逻辑。
痛苦与重生：通往具身智能的必经之路
此结论无疑给当前火热的“具身智能”领域带来了巨大压力。如果一个AI连六岁孩童都能轻松应付的物理环境都无法准确识别，又如何能期望它在真实物理世界中安全地辅助人类？
为解决这一瓶颈，研究者提出了两条演化路径：一是以“强化学习视觉推理”（RLVR），通过显式的中间推理来缓解感知不确定性；二则是要彻底拥抱“原生多模态推理”，让模型像Sora 2那样，直接在像素空间内进行“视觉计算”，而非依赖语言。
这场AI发展史上的“进化逆行”，提醒我们通往通用人工智能（AGI）的道路，或许不在于攻克更难的数学难题，而在于掌握那些六岁孩童信手拈来的益智游戏。
您是否想了解更多关于
