为什么最聪明的AI，连3岁小孩都打不过？
你家里有小孩吗？
如果有，试着观察一下，一个3岁的孩子，在没学会说话之前，就已经会做很多事情了。
他知道球滚到沙发底下还在那里，只是看不见而已。
他能追踪一只猫从树后走出来，尽管只看到尾巴。
他看到杯子放在桌边一半悬空，会伸手去扶。
他甚至能分辨出两只长得很像的老虎图案，其中一只耳朵少了一道纹路。
这些能力，叫做”前语言视觉推理”。
前语言视觉推理（Pre-linguistic Visual Reasoning）：人类在学会语言之前就掌握的视觉理解能力，包括物体追踪、空间感知、模式识别等基础视觉能力。就像婴儿不会说”球还在那里”，但知道球没有消失。
而现在最先进的AI模型，在这些测试上，成绩还不如一个6岁小孩。
并非夸张，是一篇最新论文《BabyVision》的实验结果。
论文用婴儿认知测试去测AI，发现了一个事实：
Gemini 3 Pro得了49.7分，6岁孩子轻松碾压，成年人平均94.1分。
这意味着什么？
意味着我们现在的AI，虽然能通过律师考试、写出漂亮的代码、生成逼真的图片，但在最基础的视觉理解上，还不如一个刚学会走路的小孩。
AI的”倒挂”能力
正常人的认知发展是这样的：
先有视觉理解 → 后有语言 → 最后有抽象推理
婴儿在8个月时就理解了”物体永存”，在18个月时能追踪复杂的运动轨迹，在3岁时能完成空间变换任务。
这些能力，都是在他们会说话之前就掌握的。
物体永存（Object Permanence）：理解物体被遮挡后仍然存在的能力。比如球滚到沙发下，婴儿知道去找，而不是认为球消失了。发展心理学家Jean Piaget认为这是8-12个月婴儿的里程碑能力。
但AI反过来了：
先学会语言 → 然后学知识 → 但视觉理解很弱
它可以告诉你”物体永存”的定义，引用Piaget的理论，解释背后的认知机制。
但你给它看一张图，一个球滚到沙发下，让它追踪球的位置，它可能会迷失。
就像一个从来没见过真实世界，只看过小说和教科书的人，被突然扔到真实环境里。他能说得头头是道，但一做就
图1：不同年龄段人类和AI模型在BabyVision测试上的表现。连6岁儿童都远远领先于顶尖AI模型。
BabyVision到底在测什
论文设计了一个基准测试，叫BabyVision，包含388个问题，分成4大类22个小类。
基准测试（Benchmark）：用来评估AI性能的标准化测试集。就像高考是评估学生水平的基准，BabyVision是评估AI视觉理解的基准。
- 精细视觉辨别（Fine-grained Discrimination）
测什么：能不能分辨出细微的视觉差异？
例子：
- 找出49只老虎图案中，哪只和其他不一样（可能只是耳朵少了一道纹）
- 从6个影子里找出和企鹅完全匹配的那个
- 数一数图里有多少个相同的图案
精细辨别（Fine-grained Discrimination）：区分高度相似物体的能力。比如识别双胞胎的差异，或者在一堆相似图案里找出细微不同。
人类表现：成年人92.3%正确率 AI表现：Gemini 3 Pro仅46.2%
- 视觉追踪（Visual Tracking）
测什么：能不能追踪运动中的物体或路径？
例子：
- 走迷宫，从入口找到出口
- 追踪一条线穿过复杂的交叉路径
- 看地铁线路图，找出两站之间的路线
视觉追踪（Visual Tracking）：持续关注移动物体或复杂路径的能力。就像你的眼睛能追着飞过去的鸟，或者手指能沿着地图上的线路走。
人类表现：成年人94.6%正确率 AI表现：Gemini 3 Pro仅43.4%
这一类是AI失败最严重的，为什么？
因为AI容易在交叉点”丢失”物体的身份。
就像你追踪一条红线穿过一堆交叉的线，AI到交叉点就混乱了，不知道哪条是原来那条。
- 空间感知（Spatial Perception）
测什么：能不能理解3D空间和物体的空间关系？
例子：
- 纸张折叠后会变成什么形状？
- 一个立方体从不同角度看是什么样？
- 数一数这个3D结构里有多少个小方块？
空间感知（Spatial Perception）：理解三维空间中物体位置、形状、方向的能力。比如你能想象一张纸对折三次后展开是什么样，这就是空间想象。
人类表现：成年人94.7%正确率 AI表现：Gemini 3 Pro仅53.7%
这一类AI也很挣扎。
它缺乏”心理旋转”的能力，无法在脑海里把一个物体转个方向看看。
心理旋转（Mental Rotation）：在脑海中旋转物体的能力。比如你看到一个俄罗斯方块，能想象它旋转90度后是什么样。人类3-4岁就有这个能力，AI很难掌握。
- 视觉模式识别（Visual Pattern Recognition）
测什么：能不能识别视觉规律和完成模式？
例子：
- 找出图案的旋转规律
- 完成缺失的2D或3D图案
- 识别镜像或叠加后的图案
模式识别（Pattern Recognition）：发现视觉规律并预测下一个的能力。比如看到”○△□○△？“，你知道下一个是□。这是人类最基础的认知能力之一。
人类表现：成年人97.8%正确率 AI表现：Gemini 3 Pro仅53.
图5：BabyVision的22个子任务类型示例，涵盖从精细辨别到空间推理的各个方面。
为什么AI在这些测试上崩
核心原因：当前的多模态模型本质上是”语言模型加了视觉插件”。
它不是真正在”看”，而是在”猜”。
对比：人类 vs AI的思维路径
场景：一个红球滚到沙发下面
3岁儿童的思维：
- 看到球滚动（视觉运动追踪）
- 球消失在沙发下（空间推理）
- 球还在那里，只是看不见（物体永存）
AI的思维：
- 识别图像：“一个红色的球”
- 检测到运动方向：“向沙发移动”
- 调用语言知识：“球通常会滚到物体下面”
- 生成答案：“球可能在沙发下”
看出区别了吗？
儿童是在”看”，建立了空间和运动的直接理解。
AI是在”推理”，通过语言知识来猜测。
就像一个只会背公式但从没见过实验的学生，遇到真实物理场景就懵了。
AI可以告诉你牛顿第二定律F=ma，但看到一个球从斜坡滚下来，它可能算不出球会滚到哪里。
实验数据：残酷的对比
论文测试了11个顶尖模型，包括Gemini 3 Pro、GPT-5.2、Claude 4.5、Qwen3-VL等。
总体成绩对比
最大的发现：即使是表现最好的Gemini 3 Pro，也落后成年人44.4个百分点，落后6岁儿童约20个百分点。
更多细节
看看具体任务的表现（Table 1数据）：
走迷宫（Maze）：
- 人类：95.0% ✅
- Gemini 3 Pro：30.0%
- 差距：65个百分点
3D立方体展开（3D Cube Unfold）：
- 人类：77.8% ✅
- Gemini 3 Pro：41.7%
- 所有AI模型的最高分也只有41.7%
追踪线条（Lines Observation）：
- 人类：100% ✅
- Gemini 3 Pro：83.3%
- 这已经是AI表现相对最好的任务了
图2：各个AI模型在BabyVision四大类任务上的细粒度表现分析。红色表示表现最差的区域。
Beyond Language：超
论文标题里的”Beyond Language”（超越语言）特别关键。
人类的认知发展有个顺序：先有视觉理解，后有语言。
前语言认知（Pre-linguistic Cognition）：在语言出现之前就形成的认知能力。婴儿在会说话之前，已经理解了物体的连续性、因果关系、空间关系、物理规律等基本概念。
婴儿在会说话之前，已经理解了：
- 物体的连续性（物体不会凭空消失）
- 因果关系（推倒积木，积木会倒）
- 空间关系（上下、里外、前后）
- 物理规律（重的东西会往下掉）
这些是人类理解世界的地基，是”视觉直觉”。
但AI反过来了：它先学会了语言，再试图理解视觉。
这就像一个人从来没见过真实世界，只看过小说和教科书，然后突然被扔到真实环境里。他能说得头头是道，但一做就错。
BabyVision-Gen：用画图代替语言
论文还提出了一个有趣的扩展：BabyVision-Gen。
生成式评估（Generative Evaluation）：通过让模型生成图像来评估其视觉推理能力，而不是输出文字答案。就像让学生画图解题，而不是写文字说明。
为什么要这样做？
因为人类解决视觉问题时，常常是用”画”而不是”说”。
比如走迷宫，你会用手指或笔沿着路径走，而不是说”先向左，然后直走，再向右”。
找不同的时候，你会直接圈出不同的地方，而不是描述”第4行第7列的老虎耳朵少了一条纹”。
外化推理（Externalized Reasoning）：通过外部动作（如画图、比划）来进行思考的过程。儿童发展研究表明，孩子会先”画出来”再”说出来”。
BabyVision-Gen让AI模型生成图像来回答问题：
- 走迷宫 → 画出路径
- 找不同 → 圈出不同的地方
- 完成图案 → 画出缺失部分
结果很有趣：一些生成模型（如Nano-Banana-Pro）在某些任务上比纯语言模型表现更好，尤其是视觉追踪和精细辨别。
但整体来说，生成模型的可靠性和一致性还是不够。
有时候能画对，有时画错。
图3：BabyVision（语言输出）和BabyVision-Gen（图像生成）的示例对比。*
这个发现为什么重要？
这不只是一个”AI还不够好”的故事。
这揭示了一个更深的问题：当前AI的”智能”可能是建立在沙滩上的。
想象几个场景
场景1：自动驾驶
AI可以识别”球”和”小孩”的标签，但如果它不能真正理解”一个球滚到车底下意味着可能有小孩在追球”，光靠识别是不够的。
它需要的不是”这是球”的语义识别，而是”球在运动，可能有人在追”的空间和因果推理。
因果推理（Causal Reasoning）：理解事件之间因果关系的能力。比如看到球滚动，推断可能有人踢了它；看到烟，推断可能有火。这是婴儿期就开始发展的能力。
场景2：机器人
你让机器人”把杯子放在桌子上”，它可能会放在边缘一半悬空，然后困惑为什么杯子掉了。
因为它没有关于”重力”、“支撑”、“平衡”的视觉物理直觉，只有语言层面的知识。
视觉物理直觉（Visual Physics Intuition）：通过视觉直接理解物理规律的能力。比如看到悬空的杯子，不用计算就知道会掉。这是人类视觉系统内置的”物理引擎”。
场景3：通用AI
如果AI缺乏人类婴儿级别的视觉常识，怎么可能达到人类级别的通用智能？
真正的智能不是从语言开始的，而是从理解这个物理世界的基本规律开始的。
AI可以背诵万物的名字，但如果它不理解万物如何运动、如何相互作用、如何在空间中存在，它就只是一个很会说话的鹦鹉。
出路在哪
论文没有给出明确的解决方案，但提供了一个方向：
AI需要像婴儿一样学习，而不是像博士生一样学习。
婴儿的学习方式
- 大量交互（摸、碰、推、看）
- 实时反馈（杯子掉了，球滚了）
- 建立因果模型（这样做会导致那样）
具身认知（Embodied Cognition）：认知不仅发生在大脑里，也发生在与环境的互动中。婴儿通过摸、爬、碰来理解世界，而不是通过读书。
当前AI的学习方式
- 海量数据（互联网文本+图片）
- 统计关联（“球”和”圆形”经常一起出现）
- 模式匹配（见过类似场景就能答对）
差异在哪里？
婴儿的学习是主动的、具身的、因果的。
它通过自己的行动来探索世界，建立起世界如何运作的模型。
AI的学习是被动的、符号的、统计的。
它只能看到人类已经标注好的数据，学习的是”什么和什么经常一起出现”，而不是”为什么它们会一起出现”。
也许AI需要一个”虚拟婴儿期”：
在模拟环境里摸爬滚打，推倒积木看它怎么倒，扔球看它怎么滚，放杯子看它会不会掉。
先建立对物理世界的直觉，然后再去学语言和知识。
方法论启发：评估的盲区
这篇论文给AI评估带来了一个重要启示：
我们一直在用错误的标准评估AI。
现有的基准测试大多是：
- 知识密集型（需要专业知识）
- 专家级别（大学考题、专业资格）
- 语言驱动（通过文字理解和推理）
比如：
- MMMU：大学多学科问答（Gemini 3 Pro得分92.8%）
- MathVista：数学和几何推理
- HLE：“人类最后的考试”，专家级难题
AI在这些测试上表现很好，给我们一种”AI很智能”的错觉。
但BabyVision告诉我们：AI可能只是记住了很多答案，而不是真正理解了视觉世界。
语言泄露（Language Leakage）：模型通过文字线索而非真正的视觉理解来答题的现象。研究发现，某些模型即使不看图片，仅凭问题文本就能答对42.9%的MMMU题目。
就像一个学生可以通过题海战术背下所有题型，在考试中拿高分，但遇到真实问题时一脸懵逼。
真正的智能评估，应该包含这些”愚蠢但基础”的测试：
- 能追踪一条线吗？
- 能分辨两个相似图案吗？
- 能想象一个物体旋转后的样子吗？
这些能力，人类3岁就有了。AI还在努力。
最后的思考
这篇论文让我想到一个问题：智能的本质是什么？
如果一个系统能通过律师考试、写出漂亮的代码、生成逼真的图片，但连6岁孩子都知道的”球滚到沙发下面还在那里”都理解不了，它真的智能吗？
也许，真正的智能不在于知道多少，而在于理解多深。
AI现在知道很多。
它知道所有诺贝尔奖得主的名字，知道量子力学的公式，知道世界上所有的历史事件。
但它不理解最基本的东西：
一个球，为什么会滚。 一个杯子，为什么会掉。 一条线，为什么在交叉点还是那条线。
这些知识，不在任何教科书里。
它们是通过看、摸、尝试学会的。
也许我们一直在追求的AGI，不是一个博学的图书管理员，而是一个会爬会走会探索的婴儿。
当AI学会像婴儿一样”看”世界的那天，才是它真正变聪明的开始。
论文信息
- 标题：BabyVision: Visual Reasoning Beyond Language
- 作者：Liang Chen, Weichu Xie等29位作者（来自UniPat AI、Moonshot AI、清华、北大等）
- 发表时间：2026年1月13日
- 论文链接：
https://arxiv.org/abs/2601.06521 - 项目主页：
https://unipat.ai/blog/BabyVision - 代码开源：已发布在GitHub
原文信息
作者：向阳乔木（@vista8），AI 博主
原文地址：