AI解奥数如喝水，儿童图画却翻车？BabyVision评测戳破智能神话

发布时间：2026-01-15 16:40:22  浏览量：2

本文内容均是根据权威材料，结合个人观点撰写的原创内容，辛苦各位看官支持。

现在的AI模型能解大学奥数题，却连3岁小孩都能看懂的图画题都做不对这不是玩笑，是最新的BabyVision评测刚扒出来的真相。

前阵子GoogleDeepMind的老大DemisHassabis就吐槽，他们的AI能拿奥数金牌，却在小学几何题上栽跟头，当时我还以为是个别情况，直到看到这个评测数据。

咱们平时看AI写代码、做报告挺厉害吧？但让它看看儿童图画书里的连线题，能把你急死。

这个BabyVision评测集就是专门给AI出的"儿童试卷"，有意思的是，它故意把那些能用文字描述的视觉题都剔除了。

比如说"哪个动物是猫"这种题，AI背背图片标签就能答对，不算真本事。

评测里全是得靠真眼力见的题，比大小、追轨迹、想空间、找规律。

就像让你看两张图，找出哪个积木堆得更高，或者看小球滚动的动画，判断最后会滚到哪个洞里。

这些题对咱们成年人来说简单到不用想，但对AI来说简直是噩梦。

看到对比数据时我有点不敢信。

20道视觉题，3岁小孩平均能对15道，6岁小孩基本全对。

而那些咱们耳熟能详的顶尖AI模型呢？GPT-5.2只对了7道，还不如刚会说话的娃，最厉害的Gemini3-Pro-Preview也就对了12道，刚过3岁基线，离6岁水平还差着20%呢。

有个垃圾分类连线题特别典型。

图上画着苹果核、塑料瓶、废电池，下面三个分类框写着"厨余垃圾""可回收物""有害垃圾"。

咱们成年人扫一眼就知道怎么连，3岁小孩可能犹豫一下也能连对。

但AI呢？把苹果核连到了"有害垃圾"框，塑料瓶连给了"厨余垃圾"，简直是乱点鸳鸯谱。

后来看分析才发现，它根本没"看"清图片细节，是靠猜标签蒙的。

本来以为AI生成图像那么厉害，应该很懂视觉，后来发现完全不是一回事。

BabyVision-Full评测弄了388道题，参考了儿童认知教材和视觉发育测验，光候选图片就筛了4000多张，够严谨了。

结果人类正确率94.1%，AI最高的Gemini3-Pro-Preview才49.7%，连一半都不到。

这不是某一方面不行，是全方位拉胯。

评测把视觉能力分成四大类，精细辨别、视觉追踪、空间感知、视觉模式识别，AI在每一类上都被人类吊打。

最惨的是"数3D积木"那个题，给个立体积木堆的图，问总共有多少块。

成年人一看就知道要算上被挡住的，AI却只会数表面能看到的，结果差了一大截。

为啥会这样？我琢磨着有几个核心问题。

最关键的是"说不出来的信息"丢了。

咱们看一幅画，能抓住那些没法用语言描述的细节，比如线条的弧度、颜色的深浅变化。

但AI处理图像时，得把图片转成文字一样的"token"，这个过程中好多细节就没了。

就像拼图补全题，咱们能看出缺口的形状和旁边图案的衔接，AI却只能瞎猜，因为那些微妙的轮廓信息在token化时丢了。

还有个问题是AI处理连续视觉轨迹时太"死板"。

比如让它看小球从斜坡滚下来的动画，预测最后停在哪。

咱们能想象出小球的运动轨迹，AI却像在看一张张独立的照片，没法把它们串成连贯的动态过程。

结果就是它选的落点跟实际能差十万八千里。

三维空间认知也是个老大难。

给个正方体的展开图，问折起来后是哪个立体图形。

成年人转转眼珠就能想出来，AI却像没长立体几何的脑子。

它没有稳定的3D内部表征，只能靠表面特征瞎蒙，经常把相邻面的图案搞混。

最让我觉得无奈的是图形规律归纳。

比如给一排图形，问下一个是什么。

人类会看结构规律，比如"圆形、三角形、圆形、三角形"这样交替。

AI却总盯着颜色、大小这些表面属性，明明规律是形状交替，它非说是颜色渐变，简直是驴唇不对马嘴。

如此看来，AI现在的视觉理解，其实是在"用语言翻译视觉"，根本不是真的"用眼睛思考"。

就像一个只会背单词却不会说句子的人，看着挺厉害，一到实际交流就露馅。

那有没有办法改进呢？最近有个新尝试叫BabyVision-Gen，让AI用画图的方式解题。

比如问小球轨迹，AI直接在图上画条线出来。

结果发现，这种生成式作答比单纯选答案好多了，Nano-Banana-Pro在路径描绘题上正确率提高了快30%。

看来让AI"动手画"比"动嘴说"更适合视觉任务。

Sora2和NanoBanana-pro这两个模型在画轨迹时，居然能表现出"类人"的思考过程，会先画虚线草稿，再描实线，跟咱们解题时打草稿一样。

这说明视觉操作可能是弥补语言化损失的好办法。

说到底，AI要想在真实世界里靠谱点，必须先打好视觉地基。

你想啊，机器人要帮人拿东西，得先"看懂"哪个是杯子哪个是碗，自动驾驶要避险，得"看明白"前面是行人还是垃圾桶。

这些都不是靠语言能搞定的，得真的"用眼睛思考"。

现在的AI就像个偏科严重的学生，语文英语考满分，数学物理不及格。

要成为通用智能，偏科可不行。

BabyVision评测算是给行业提了个醒，别光盯着语言能力猛堆参数了，视觉这块短板再不补，AI永远成不了"明白人"。

或许未来的突破口，就是让AI学会像人类一样"看世界"不是把图像翻译成文字，而是直接用视觉信号思考。

到那时候，别说儿童图画题，估计连复杂的工程图纸、医学影像都能轻松搞定。

但在此之前，咱们得先承认，现在的AI，在"看懂"这个基本功上，真的还在幼儿园阶段。

不知道您对此有什么看法呢？欢迎在下方评论区留下你的想法，喜欢文章记得点赞关注我们下期再见。