当儿童超越AI：视觉推理的鸿沟

人工智能或许能在国际象棋和数学竞赛中称霸，但在视觉推理领域，学龄前儿童仍占据绝对优势。来自UniPat AI和阿里巴巴等机构的惊人新研究显示，顶级AI模型在基础视觉任务中的表现仅略优于幼儿。

BabyVision带来的警醒

研究团队开发的BabyVision视觉推理测试，暴露了AI感知世界时的根本局限。当人类儿童能轻松发现差异或解决空间谜题时，即便是当前领先领域的Gemini 3 Pro Preview——在面对多数六岁儿童认为简单的任务时也举步维艰。

迷失在转换中

核心问题在于：当前的大模型本质上仍是"语言动物"。处理图像时，它们会先将视觉信息转换为文字描述再进行推理。这种间接方法适用于宽泛概念，但在处理微妙视觉细节（如轻微曲线变化或复杂空间关系）时表现糟糕。

AI视觉缺陷的四大表现

研究将AI的视觉短板归纳为四个关键领域：

• 细节缺失困境：像素级差异常被AI忽视，导致形状匹配任务出错
• 迷宫跑偏现象：如同分心的孩童，模型在轨迹追踪时会迷失于交叉路口
• 空间想象力缺口：文字描述无法准确呈现3D空间，造成频繁的投影错误
• 模式盲区：模型机械计算属性而非理解演化规律，缺乏深层逻辑把握

对具身智能的启示

这些发现给雄心勃勃的具身AI助手计划泼了冷水——如果机器无法达到儿童对物理环境的理解水平，我们如何放心让它们安全导航世界？

研究提出两种潜在解决方案：

1. 采用强化学习方法（RLVR），融入显式中间推理步骤
2. 开发真正的多模态系统（类似Sora 2的方案），直接在像素空间进行"视觉计算"而非依赖语言转换

这项研究给出了发人深省的提醒：通往通用人工智能的道路或许不在于解决更难的数学题，而在于掌握儿童喜爱的简单谜题。