系鞋带问题难倒人工智能：三维空间推理暴露AI大模型认知盲区

在文本生成和图像识别领域取得惊人成就的人工智能模型,在面对简单的打结任务时却束手无策。康奈尔大学研究团队开发的KnotGym测试平台显示,包括GPT-4在内的先进AI系统虽然能够以90%的成功率解开简单绳结,但在打结和转换任务中的表现急剧下降,面对三个以上交叉点的结构时几乎完全失败。这项在神经信息处理系统年会上发表的研究揭示了当前人工智能的致命短板:尽管在二维符号操作上表现出色,但在三维空间推理和物理操作方面的能力远不及学龄前儿童。

康奈尔理工学院博士生陈佐伊和副教授约阿夫·阿尔齐设计的KnotGym是一个专门用于评估AI空间推理能力的虚拟环境。这个模拟器呈现简单的绳环和各种结构,要求AI代理完成解结、打结或将一个结转换成另一个结的任务。测试采用"泛化阶梯"设计,允许研究人员系统地提升任务复杂度,从最基础的双交叉结到更复杂的多交叉结构,逐步考察模型在不同难度级别的表现。

实验结果显示了AI能力的明显边界。在解结任务中,模型表现相对稳健,对于包含最多四个结的绳环,成功率约为90%。这包括了常见的三交叉鞋带结,说明AI在识别和逆向操作方面具有一定能力。然而当任务转向打结时,性能显著下降。对于简单的双交叉结,成功率为83%,但增加到三个交叉点时,成功率骤降至16%。超过三个交叉点的结构对AI来说几乎不可能完成,研究人员观察到模型陷入反复尝试而无法找到正确操作序列。

结转换任务的表现与打结相当糟糕。这个任务要求AI将一种结构重新配置成另一种,涉及理解两种构型之间的拓扑关系并规划中间步骤。这种层次化的空间推理对人类来说相对直观,但对当前AI模型构成了根本性挑战。失败模式分析显示,模型往往执行无效的重复动作或陷入局部最优,无法探索出通向目标的操作路径。

从符号到空间的鸿沟

这些发现指向人工智能发展的深层问题。陈佐伊指出,现有AI在处理大量文本方面表现优异,一旦涉及三维世界的理性思考就会崩溃。这个观察触及了当前深度学习范式的核心局限。大语言模型通过处理海量文本数据学习统计模式和语言结构,在符号操作层面达到了令人印象深刻的水平。但文本本质上是离散和一维的,缺乏物理世界固有的连续性、空间性和因果性。

儿童认知发展的研究提供了有益的对比。心理学家让·皮亚杰的理论表明,儿童通过与物理环境的直接互动发展空间推理能力。一个幼儿在玩魔方或玩具绳索时,通过反复试验逐渐理解物体的空间关系、旋转不变性和操作的可逆性。这种具身认知过程建立了关于物理世界的直觉理解,成为更高级抽象思维的基础。

陈佐伊举着魔方说明这一点,孩子们摆弄玩具时会探索不同的动作序列,发现能够达到特定配置而不破坏其他部分的方法。他们积累知识,重复利用学到的技巧,逐步朝着更复杂的目标前进。这种探索性学习和知识迁移能力正是研究者希望AI具备但尚未实现的。当前强化学习模型虽然能在特定环境中通过奖励优化策略,但泛化能力有限,难以将一个任务中学到的技能灵活应用到新情境。

计算机视觉和机器人学领域长期以来一直在努力解决空间理解问题。虽然卷积神经网络在二维图像识别上取得了巨大成功,但从2D图像推断3D结构仍然充满挑战。深度估计、物体姿态识别、遮挡处理等问题都需要超越像素模式匹配的深层理解。最近发展起来的神经辐射场和3D生成模型显示了进展,但距离真正的三维场景理解还有距离。

机器人操作是空间推理能力最直接的试金石。尽管工业机器人在结构化环境中高效完成重复任务,但处理柔性物体如绳索、布料仍然极其困难。这些材料的变形空间无限维,难以精确建模和控制。打结任务涉及对绳索的复杂操纵,需要理解拓扑约束、预测变形结果、规划多步骤操作序列。人类凭直觉完成这些任务,但将其形式化为算法极其困难。

迈向真正的通用智能

当前结配置具有目标高斯码时，该事件即为成功。我们通过从白色段向红色（黑色箭头）穿过绳索，得到任意结的高斯码。横贯时，我们用+表示一个过交叉，用-表示一个下交叉，直到回到起始段。图片来源：arXiv（2025年）。DOI： 10.48550/arxiv.2505.18028

KnotGym这类基准测试的价值在于系统地揭示AI能力的边界。过去几年里,语言模型在各种文本任务上的表现让人们对通用人工智能的到来产生乐观预期。但这些成功可能造成误导,掩盖了模型在其他认知维度上的欠缺。只有通过多样化的评估才能全面了解AI的真实能力和局限。

三维空间推理的重要性超越学术兴趣。自动驾驶汽车需要理解道路几何和车辆动态,手术机器人必须精确操纵三维解剖结构,家用服务机器人要在复杂环境中导航和操作物体。这些应用场景都要求超越当前AI系统的空间认知能力。如果模型连简单的绳结都无法处理,如何指望它们在真实世界中可靠地执行复杂任务。

研究团队计划将KnotGym移植到GPU上运行以提高评估效率。这种硬件加速将允许更大规模的实验,测试更多模型架构和训练策略。但根本的挑战不在于计算资源,而在于算法范式。当前基于梯度下降优化的深度学习可能需要与其他方法结合,如符号推理、因果建模、物理仿真等,才能获得更鲁棒的空间理解能力。

一些前沿研究正在探索混合架构。神经符号AI试图结合神经网络的模式识别能力和符号系统的逻辑推理能力。世界模型研究让AI学习环境的内部表征,能够预测行动的后果。元学习和课程学习探索如何让模型更高效地学习新任务。这些方向可能为突破当前瓶颈提供线索。

值得注意的是,人类的空间智能也不是天生的,而是通过长期经验发展起来。婴儿需要数月时间才能掌握基本的抓握技能,儿童花费数年时间才能流畅地操纵物体。如果我们期望AI达到类似能力,可能也需要大量的模拟或真实世界交互经验。问题在于如何高效地提供这种经验,以及设计什么样的学习算法能够从中有效提取知识。

康奈尔团队的工作提醒我们,通往真正通用人工智能的道路比表面看起来更加漫长。在为语言模型的流畅对话能力惊叹的同时,我们不应忘记智能的多维本质。一个连鞋带都系不好的AI,距离理解和操作复杂现实世界还有很远的距离。这既是挑战,也是机遇,指引着未来研究需要关注的方向。