在人工智能的发展中，空间智能的突破始终是一个重要而复杂的话题。这一领域的研究者们，特别是来自纽约大学的谢赛宁助理教授团队与斯坦福大学的李飞飞教授，最近揭示了多模态大语言模型（MLLMs）在空间推理方面的局限性。在他们的研究“Thinking in Space”中，团队探讨了这些模型如何理解和记忆空间，尽管在应用中仍然面临诸多挑战。

根据研究，虽然MLLMs在视觉理解方面已取得显著进展，但它们在空间推理上的能力却显得不够强大。例如，在基于甲乙两种处理的场景下，当模型面对复杂空间问题时，误解与错误频频。研究团队通过对Gemini-1.5 Pro模型进行测试，发现其在空间推理问题上的表现均未达标，这意味着当前的技术尚未能有效处理人类所理解的空间逻辑。

具体而言，研究中的几个问题，例如物体相对位置的询问，或是不同物体在视频中的出现顺序，均超出了MLLMs的处理能力。谢赛宁指出，尽管这些模型在视觉推理方面有所增强，但它们在视角转换和长距离物体识别上仍旧难以追赶人类。因此，视觉空间智能的缺陷不仅限制了它们的应用，也使得在某些情境下人类自身的认知模型显得更为灵活。

在研究中，团队创建了一个新的基准测试VSI-Bench，通过5000多个问答对，探索了多模态模型在视觉空间智能方面的表现。虽然Gemini Pro在这些测试中表现尚可，但与人类的优异表现相比，仍然存在明显差距。这一发现对AI的发展提出了新的挑战：如何在模型中集成更有效的空间记忆机制，以提升其在真实环境中的应用能力。

另一个令人关注的问题是，当前流行的语言推理技术（例如思维链和自洽性）似乎未能显著提高模型的空间推理能力。这一发现提示我们，视觉理解和语言处理在本质上是不同的，需要更有针对性的技术进步。在团队的视觉空间智能项目中，研究不仅关注技术的实现，同时也强调了人类的实际应用场景。通过利用视频这一自然媒介，团队希望能更好地反映人类如何感知世界，并设计出更能符合人类思维的系统。

展望未来，视觉空间智能的应用潜力巨大。例如，想象一下未来的人工智能眼镜，它可以实时显示用户的地理位置，并帮助指引路线。这种技术不仅为日常生活带来便利，同时也为我们与世界的互动创造了新的可能性。总而言之，尽管多模态大模型在许多视觉任务上已展现出良好的性能，但在空间推理这个关键领域，依然任重道远。人类的空间思维能力在很大程度上源于长期的经验积累与灵活的调整能力，而这一点恰恰是当前人工智能技术所缺乏的。

这项研究结果不仅引发了学术界的广泛关注，同时也让我们深刻反思人工智能未来的发展方向。随着技术的不断进步，视觉空间智能的突破或许会成为推动全面AI发展的重要一环。对这一领域的关注，将为未来的科研与实践指明方向。

解放周末！用AI写周报又被老板夸了！点击这里，一键生成周报总结，无脑直接抄 → → https://ai.sohu.com/pc/textHome?trans=030001_jdaidzkj