一句话看懂：一项新研究显示，当今最先进的视觉语言模型（VLM）在以婴儿视角学习的任务中表现糟糕，这暴露出现有AI在学习效率和理解物理世界方面的根本局限。与其说AI变聪明了，不如说它只是在大量数据上“背答案”。
事件核心：发生了什么
由Meta、斯坦福大学、东京大学和法国高等师范学校的研究人员联合推出了一个名为EgoBabyVLM的测试。该测试要求视觉语言模型（VLM）通过分析约1000小时来自婴儿头部摄像头拍摄的第一人称视频来理解世界。结果令人惊讶：当前最前沿的模型在处理这种混乱、非结构化的真实数据时表现极差。
这与婴儿的学习效率形成鲜明对比：婴儿只需看一两次就能识别新物体，而AI模型则需要海量训练数据和巨大算力。此前2023年的BabyLM挑战也发现，虽然Transformer模型能在有限文本数据下学习语言句法，但在获取物理世界常识、社会互动理解方面仍远不及儿童。
为什么重要
这项实验直指当前AI路线的核心瓶颈：数据依赖与能源效率。大模型依赖“互联网级”的文本和图像数据训练，消耗相当于小国能源的算力，却仍无法像婴儿一样快速理解因果关系、物体恒存和社会意图。如果AI要走向通用智能（AGI），必须从人类（尤其是婴儿）的认知机制中寻找新思路——即更少的预训练数据 + 更强的在线学习 + 多模态物理交互。
对于行业而言，这意味着：只是堆算力、做更大模型的做法可能已经触及天花板。未来竞争力可能转向开发能够像人类一样“小样本学习”、“从噪声中提取规律”的算法，这甚至会重塑大模型厂商的研发预算分配。
对用户/开发者/创作者的影响
对普通用户：不要被模型在考试题上刷榜的表现迷惑。当AI需要理解你的真实生活场景（如孩子摔倒后一个手势的含义）时，它可能非常笨拙。这也解释了为何当下聊天机器人经常说“正确的废话”，而非做出符合常识的推理。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对AI开发者：如果你正在做机器人或具身智能产品，这项研究提示：单纯依赖预训练大模型可能会出错。因为机器人需要在物理世界灵活动作，像婴儿一样通过触摸、观察和试错来学习，而不是仅仅处理标记好的数据集。未来或许需要专门为机器人设计“婴儿式学习算法”。
对创作者：AI生成内容的质量上限可能受限于模型对物理世界的朴素理解（例如无法理解对象消失后再出现的关系）。如果你在创作需要逻辑连贯或物理推理的内容（如动画、游戏脚本），目前仍需人工介入纠正AI的认知盲区。
值得关注的后续
1. EgoBabyVLM是否会催生新的基准测试？ 目前大多数AI跑分都基于干净数据，而真正的物理世界测试（如婴儿视角）如果被更多研究所接受，将迫使厂商调整模型评估标准。
2. Meta是否会在其机器人业务中采纳“婴儿学习”思路？ 这只研究团队背景（斯坦福/东京大学/巴黎高师+Meta）表明，大厂正在探索更接近人脑的架构，而非纯粹扩大模型规模。未来可能看到Meta在其开源模型Llama中引入相关机制。
3. 算力分布是否会改变？ 如果“婴儿式学习”需要更少的训练数据但更多的实时交互推理，那么边缘端芯片或低功耗推理芯片的需求会上升，而非只有中心化GPU集群。
来源：Wired AI
