來自哥倫比亞大學、Vector人工智能研究所以及南洋理工大學的一個聯合研究團隊發(fā)現：人工智能模型在處理意外事件時的推理能力存在嚴重缺陷。 

即便是如GPT-4o和Gemini 1.5 Pro這樣的頂尖視覺語言模型（VLM），其表現也遠遜于人類，差距最高可達32%。 

論文地址：https://arxiv.org/pdf/2412.05725

這篇名為《黑天鵝》的研究指出，當前主流的AI評估方式普遍存在一個根本性問題：大多數基準測試圍繞“常規(guī)模式”構建，也就是說，它們聚焦于可預測、規(guī)律清晰的視覺場景。

但現實世界不按套路出牌。意外、突變和違反常識的“黑天鵝事件”無處不在。而人類之所以能處理這些狀況，依靠的是兩種核心推理能力。

第一種是溯因推理（abductive reasoning），即從有限的觀察中推斷出最可能的解釋。 例如，觀察到路口有兩輛撞壞的汽車，人們會推測是一名司機闖了紅燈。 

第二種是可廢止推理（defeasible reasoning），即在新證據出現時修正最初的結論。 比如，當發(fā)現路口的交通信號燈發(fā)生故障時，人們會放棄“司機闖紅燈”的假設，轉而認為是信號燈的問題。 

如果AI要成為自動駕駛汽車等領域的可靠決策者，這兩種推理能力至關重要。 

“黑天鵝套件”：一個專為意外設計的考場

為了準確評估AI在意外情況下的推理能力，研究團隊構建了一個全新的基準測試，名為“BlackSwanSuite”（黑天鵝套件）。 

這個基準測試包含1655個視頻，內容涵蓋了各種打破常規(guī)的真實場景，例如這些視頻涵蓋了交通事故、兒童失誤、泳池滑倒等。

研究者將每個視頻精心劃分為三個部分：事發(fā)前 (Vpre)、事發(fā)時 (Vmain)和事發(fā)后 (Vpost)。 

這種結構化的處理方式，為設計針對性的推理任務奠定了基礎。 基于此，團隊設計了三大核心任務，共計超過15000個問題。 

第一個任務是“預測者”（Forecaster），模型僅觀看視頻的開頭，然后被要求預測接下來會發(fā)生什么。 

第二個任務是“偵探”（Detective），模型會看到事件的開頭和結尾，但中間的關鍵部分被隱藏，模型需要推斷出中間發(fā)生了什么。 這項任務直接考驗模型的溯因推理能力。

第三個任務是“報告者”（Reporter），模型可以觀看完整的視頻，然后需要描述整個事件的來龍去脈。 同時，模型還需要重新評估之前基于不完整信息做出的判斷是否依然成立。這直接測試了模型的可廢止推理能力。

嚴峻的現實：頂尖模型的顯著短板

所有頂尖的AI模型，包括GPT-4o、Gemini 1.5 Pro，以及多種開源系統（如LLaVA-Video、VILA、VideoLLaMA 2），在三類任務中全面落后于人類。

在多項選擇題上，最好的模型落后人類多達25%。 在是非判斷題上，這個差距進一步擴大到了32%。 

具體來看，在考驗溯因推理的“偵探”任務中，表現最好的GPT-4o，其準確率也比人類低了24.9%。 

而在考驗可廢止推理的“報告者”任務中，GPT-4o與人類的差距更是達到了驚人的32%。 

32個百分點的差距說明一個問題：AI不僅“看錯”，更“改不了”。

模型往往會在最初判斷后“鎖定思路”，拒絕基于新證據進行推理更新。這在自動駕駛等領域，可能帶來致命后果。

例如，論文中展示：垃圾車應該是“裝垃圾”的，但當視頻中垃圾車卻“掉下了一棵樹”，AI模型當場宕機。

再例如：一段視頻中，一名男子手持枕頭在圣誕樹旁揮舞。

GPT-4o判斷他想攻擊身邊的人。但實際情況是：枕頭碰到了圣誕樹，裝飾物從樹上掉落，砸中了旁邊的女性。

視頻結尾已清晰展示全過程，但GPT-4o依然堅持“男子攻擊他人”的原始判斷。

即便事實已推翻原猜測，模型也不做修正。這種“第一印象即終審判”的僵化思維，成了AI在現實世界中的最大隱患。

因為它找不到這個“異常行為”的參考模式。根源在于，AI模型依賴的是海量訓練樣本的“統計模式”。

它們在訓練中學習的是“什么事發(fā)生過很多次”，而不是“這事的因果關系是什么”。

所以，只要場景偏離了“常規(guī)軌跡”，它們就無法處理。為了進一步探究問題的根源，研究團隊進行了一項關鍵實驗。 

他們直接向AI模型提供由人類撰寫的、對視頻內容的文字描述，從而繞過模型自身的視覺感知環(huán)節(jié)。 

結果顯示，在獲得了人類級別的感知和理解輸入后，模型的推理準確率提升了高達10%。

這一發(fā)現表明，當前AI的核心短板不僅在于高級推理，更在于基礎的感知和理解能力。 

注：頭圖AI生成