文章摘要
【关 键 词】 AI技术、视频感知、世界模型、多模态模型、AGI研究
Yann LeCun、李飞飞和谢赛宁联合发表的论文《Cambrian-S：迈向视频中的空间超感知》提出了一种突破性观点：当前基于大语言模型（LLM）的AI技术存在根本性缺陷，无法实现真正的通用人工智能（AGI）。三位学者认为，智能体必须通过构建内部世界模型来主动预判和组织感官信息，这种”超感知”能力是通向AGI的关键路径。研究团队将感知能力划分为五个演进阶段：从纯语言理解到预测性世界建模，揭示了现有多模态模型在空间认知和长期记忆方面的严重不足。
视频被确定为研究超感知的理想媒介，因其最接近人类日常体验世界的方式。团队开发了VSI-Super基准测试，包含长时程空间记忆和持续计数两项任务，结果显示即使顶尖的Gemini 2.5模型也难以应对基本挑战。这验证了莫拉维克悖论——对人类而言简单的感知任务，对AI却异常困难。为解决数据瓶颈，团队构建了包含59万样本的VSI-590K数据集，并开源了参数规模从5亿到70亿不等的Cambrian-S模型系列。实验表明，新模型在空间推理任务上比基线提升达30%，但仍未突破根本性局限。
研究最具创新性的部分是提出”预测性感知”原型，其灵感来自人类视觉系统的高效信息处理机制。通过模拟大脑”预测-比对”的认知过程，团队开发了潜在帧预测（LFP）模块，利用”惊异度”指标实现动态记忆管理和事件切分。这种仿生设计使小模型在基准测试中超越了规模更大的商业系统，证实了预测性世界模型的理论价值。论文同时指出，现有LLM范式缺乏类似的主动预测机制，这可能是阻碍AI获得类人感知能力的关键因素。
研究最终强调开放科学的重要性，认为当前技术路线存在严重的路径依赖风险。团队同步发布了两项辅助成果：关于消除基准测试语言偏见的方法论研究，以及利用模拟器收集空间感知数据的实践经验。这些工作共同构成了对AI发展方向的系统性反思，挑战了单纯依靠数据规模和参数扩张的主流范式。三位作者特别指出，在医疗、农业、工业等现实场景中，具备超感知能力的智能体将产生变革性影响，而这需要从根本上重新思考AI的架构设计。
原文和模型
【原文链接】 阅读原文 [ 3322字 | 14分钟 ]
【原文作者】 新智元
【摘要模型】 deepseek/deepseek-v3-0324
【摘要评分】 ★★★★☆
相关文章
