当AI在拼图前卡壳：一场让大模型集体“降维”的视觉考试
就在我们为大模型接连拿下国际奥赛金牌、通过律师/医生资格考试而欢呼时，一组来自UniPat AI、xbench、阿里、月之暗面与阶跃星辰的联合研究，悄悄给这场狂欢按下了暂停键。
他们没出数学题，也没考编程——而是拿出了一套专为3–6岁儿童设计的视觉推理题：找不同、空间拼图、轨迹连线、积木侧视图推演……这场名为 BabyVision 的“闭卷考试”，结果令人愕然：
- Gemini 3 Pro Preview（当前最强多模态模型之一）仅以微弱优势胜过3岁幼儿；
- 面对6岁儿童的平均表现，AI仍存在20%的准确率断层——相当于每5道题就错1道；
- 多数顶尖模型在“旋转对齐”“遮挡判断”“三维投影”等基础任务上频频失分，错误率甚至高于人类学龄前儿童。
这不是AI不够聪明，而是它根本没学会“用眼睛思考”。
语言动物的视觉盲区：万亿参数，为何看不清一根弯曲的线？
你可能想象不到：当AI“看”一张图时，它其实没在看图——而是在“读图”。
绝大多数主流多模态模型（包括Gemini、Qwen-VL、Kimi-VL等）采用的是视觉-语言对齐架构：先用视觉编码器把图像压缩成一串向量，再“翻译”成文字描述（比如“一个蓝色三角形叠在红色正方形上方”），最后靠语言模型进行推理。
这个看似高效的流程，恰恰埋下了致命短板：
✅ 宏观语义（如“猫在沙发上”）能说清；
❌ 但像素级的几何偏移、曲线曲率差异、交叉路径的拓扑连续性、遮挡边界的亚像素判断……这些无法被语言精准锚定的视觉本质，全在“翻译”中被粗暴丢弃。
就像让一位只懂诗歌的建筑师，凭一首七言绝句去复原埃菲尔铁塔的铆钉排布——诗意满分，精度归零。
四大视觉滑铁卢：AI在哪些地方输给了幼儿园小朋友？
BabyVision基准首次系统拆解了大模型的视觉“失能点”，归纳为四个清晰维度（每项均经百轮人工校验验证）：
🔹 非言语精细细节缺失
“这个L形块旋转90°后，缺口朝向是否匹配？”
人类孩子靠直觉“脑内旋转”就能答对；AI却因无法建模亚像素级轮廓变化，在拼图匹配中反复选错——不是不会算，是根本没‘看见’那个0.3像素的错位。
🔹 流形一致性丢失
“从起点A出发，沿红线走，经过三次交叉后，终点是B还是C？”
人在追踪长路径时天然维持空间连贯性；AI却像信号不良的GPS，在第一次交叉点就“跳帧”，后续推理全线崩塌。
🔹 空间想象力匮乏
“这堆彩色积木的侧视图是什么样？”
语言描述无法承载三维体积关系。模型常把隐藏层误判为“不存在”，或把斜向堆叠错算成垂直层数——它不是算错，是压根没构建出那个立体心智模型。
🔹 视觉模式归纳障碍
给出3个动态变化的图形序列，预测第4个
人类孩子能秒懂“每次顺时针转45°+颜色轮换”，AI却执着于“数角数量、统计红蓝占比”，陷入属性罗列陷阱，看不见变化背后的因果律。
具身智能的警钟：如果AI连玩具都认不全，怎么帮你拿咖啡？
这一发现对正火热的具身智能（Embodied AI） 构成直接拷问：
若一个机器人看不清门把手的朝向、判断不了纸箱是否倾斜、搞不定抽屉滑轨的物理状态——它如何安全地走进你的厨房，为你端来一杯不洒一滴的咖啡？
当前多数具身系统依赖“视觉→文本→动作规划”的三段式链路，BabyVision证明：第一环就已严重漏气。
下一站进化：从“翻译官”到“视觉原住民”
研究团队并未止步于揭短，更指出了两条突破路径：
- RLVR（Reinforced Language-Visual Reasoning）：引入强化学习，在视觉理解环节插入可微分的中间推理模块（如注意力掩码优化、轨迹置信度校准），主动对抗感知不确定性；
- 原生像素级演算：放弃“翻译”，转向Sora 2式的端到端视觉Transformer——让模型直接在像素空间建模形状、运动与力的隐式物理规律，像人一样“用眼思考”。
这或许正是AGI真正的分水岭：
不在于能否解出黎曼猜想，而在于能否在阳光斜射的地板上，一眼看出那块松动的瓷砖——并绕开它，稳稳走向你。
毕竟，最伟大的智能，从来不是最复杂的，而是最贴近世界本来面目的。