當(dāng)人們?cè)噲D向朋友解釋如何走出迷宮時(shí)，通常會(huì)選擇用語(yǔ)言描述路徑，比如“先右轉(zhuǎn)，再直走，接著左轉(zhuǎn)”。但若換成繪制路線圖或拍攝演示視頻，信息傳達(dá)的清晰度與準(zhǔn)確性或許會(huì)大幅提升。這一日常經(jīng)驗(yàn)背后，隱藏著人工智能領(lǐng)域的關(guān)鍵挑戰(zhàn)——如何讓機(jī)器像人類一樣高效處理視覺信息。近日，劍橋大學(xué)與哥本哈根大學(xué)人工智能中心聯(lián)合團(tuán)隊(duì)在預(yù)印本平臺(tái)發(fā)布研究，通過(guò)實(shí)驗(yàn)證明視頻生成模型在復(fù)雜視覺推理任務(wù)中表現(xiàn)優(yōu)于傳統(tǒng)文字模型，為人工智能認(rèn)知方式提供了新思路。

研究團(tuán)隊(duì)首先聚焦大型語(yǔ)言模型的局限性。盡管這類模型在文本處理領(lǐng)域表現(xiàn)卓越，但面對(duì)需要精確空間判斷的任務(wù)時(shí)，常出現(xiàn)模糊甚至錯(cuò)誤輸出。例如，當(dāng)要求描述幾何圖形的旋轉(zhuǎn)角度與擺放位置時(shí)，模型可能給出“將三角形順時(shí)針轉(zhuǎn)一定角度”這類含糊指令，而非精確參數(shù)。這種缺陷類似于僅用語(yǔ)言指導(dǎo)他人完成精細(xì)手工操作——缺乏直觀參照時(shí)，誤差難以避免。

為驗(yàn)證猜想，團(tuán)隊(duì)設(shè)計(jì)了兩個(gè)對(duì)比實(shí)驗(yàn)。在“迷宮導(dǎo)航”任務(wù)中，虛擬角色需在3×3至8×8規(guī)格的迷宮中尋找最短路徑，同時(shí)避開障礙物。實(shí)驗(yàn)特別引入訓(xùn)練時(shí)未出現(xiàn)的角色圖標(biāo)與迷宮結(jié)構(gòu)，以測(cè)試模型適應(yīng)性。結(jié)果顯示，視頻生成模型不僅能快速規(guī)劃路徑，面對(duì)陌生環(huán)境時(shí)仍能保持高準(zhǔn)確率，如同人類憑借導(dǎo)航邏輯而非記憶完成陌生區(qū)域探索。

“七巧板拼圖”實(shí)驗(yàn)則進(jìn)一步考驗(yàn)空間推理能力。任務(wù)分為三個(gè)難度等級(jí)：初級(jí)“漸現(xiàn)模式”逐步顯示圖形位置；中級(jí)“旋轉(zhuǎn)模式”要求先調(diào)整角度再移動(dòng)；高級(jí)“平移模式”需在固定方向下精確計(jì)算位置。實(shí)驗(yàn)表明，文字模型在描述“將紅色梯形逆時(shí)針轉(zhuǎn)30度后右移1.5單位”時(shí)易產(chǎn)生歧義，而視頻模型通過(guò)動(dòng)態(tài)演示完整拼裝過(guò)程，確保圖形幾何特征始終完整。

研究還發(fā)現(xiàn)兩個(gè)關(guān)鍵現(xiàn)象。其一，視覺參照顯著提升模型表現(xiàn)。當(dāng)模型能觀察迷宮角色外觀或七巧板顏色形狀時(shí)，推理錯(cuò)誤率降低40%，這類似于人類對(duì)照?qǐng)D樣完成手工制作。其二，延長(zhǎng)“思考時(shí)間”可增強(qiáng)復(fù)雜問(wèn)題解決能力。通過(guò)生成更多視頻幀，模型能逐步優(yōu)化路徑選擇，甚至在初始錯(cuò)誤時(shí)自我修正——這種試錯(cuò)行為與人類解題過(guò)程高度相似。

盡管成績(jī)斐然，視頻模型仍面臨技術(shù)瓶頸。在處理大幅圖形變換時(shí)，模型偶爾會(huì)扭曲幾何形狀，例如將正方形拉伸為菱形。當(dāng)從規(guī)則網(wǎng)格迷宮遷移至不規(guī)則環(huán)境時(shí)，模型雖能掌握對(duì)角線移動(dòng)等新技能，但訓(xùn)練成本與計(jì)算耗時(shí)較文字模型高出3倍，限制了其即時(shí)應(yīng)用潛力。

該研究對(duì)人機(jī)交互模式產(chǎn)生深遠(yuǎn)影響。在機(jī)器人領(lǐng)域，視覺推理能力可幫助設(shè)備更精準(zhǔn)操作物理對(duì)象；教育軟件中，動(dòng)態(tài)演示能替代冗長(zhǎng)文字說(shuō)明，提升復(fù)雜概念理解效率；游戲行業(yè)則可利用此技術(shù)設(shè)計(jì)更智能的非玩家角色行為。研究團(tuán)隊(duì)指出，當(dāng)前技術(shù)仍需突破視覺穩(wěn)定性與計(jì)算效率難題，但其驗(yàn)證的“視覺優(yōu)先”認(rèn)知路徑，為開發(fā)更接近人類思維的AI系統(tǒng)提供了重要范式。

A：通過(guò)生成連續(xù)圖像幀構(gòu)建推理鏈條。每幀代表一個(gè)決策步驟，完整視頻序列即解決方案的動(dòng)態(tài)呈現(xiàn)。例如在迷宮任務(wù)中，幀間變化直接展示角色移動(dòng)軌跡，避免文字描述的模糊性。

A：文字在表達(dá)空間關(guān)系時(shí)存在天然缺陷。如描述“物體A在物體B左上方”，不同讀者可能產(chǎn)生不同空間想象；而視頻通過(guò)絕對(duì)坐標(biāo)與動(dòng)態(tài)軌跡消除歧義，其信息密度與準(zhǔn)確性更接近人類視覺認(rèn)知。

A：未來(lái)AI助手可能采用“視覺解釋”模式。當(dāng)用戶詢問(wèn)設(shè)備維修步驟時(shí)，系統(tǒng)將播放3D動(dòng)畫分解操作流程；學(xué)習(xí)數(shù)學(xué)幾何時(shí)，動(dòng)態(tài)圖形演示輔助理解定理應(yīng)用場(chǎng)景，顯著降低認(rèn)知門檻。