1983 年，心理學(xué)家設(shè)計了一個簡單實驗：Sally 把彈珠放進(jìn)籃子然后離開，Anne 趁她不注意把彈珠挪到盒子里。問題是，Sally 回來后，會去哪里找彈珠？

四歲孩子能答對：去籃子，因為 Sally 不知道彈珠被移走了。三歲以下的孩子會答錯，他們分不清“自己知道”和“別人知道”的區(qū)別。這就是發(fā)展心理學(xué)里著名的 Sally-Anne 測試，它標(biāo)定了人類認(rèn)知發(fā)展的一道重要分水嶺。這種能力被稱為“心智理論”（Theory of Mind）。

（動圖來源：受訪者）

四十多年后，美國斯坦福大學(xué)李飛飛教授和美國西北大學(xué)李曼玲教授團(tuán)隊把這個實驗搬到了 AI 面前，只不過這次考察的是物理世界。他們設(shè)計了一套叫“空間理論”（Theory of Space）的評估框架，目的是想弄清楚一件事：當(dāng)大模型必須自己去探索、去發(fā)現(xiàn)、去拼湊信息時，它的空間智能究竟進(jìn)化到了哪一級？

圖 | 從左到右：李飛飛、李曼玲（來源：資料圖）

從被動答題到主動探索，AI 掉了好幾個臺階

傳統(tǒng)測試 AI 空間能力的方式，有點像開卷考試。給一張圖，問里面物體的位置關(guān)系，模型答對了就算過關(guān)。前沿模型在這種測試?yán)锏梅侄疾诲e，讓人以為它們已經(jīng)挺懂空間了。

但李飛飛和李曼玲團(tuán)隊覺得這還不夠。真實世界不是開卷考，沒有人會把所有信息一次性擺在你面前。你推開一扇門只看到客廳一角，走過走廊瞥見臥室一角，要理解整個房子的布局，你得把這些碎片拼起來，還得知道自己還有什么沒看到，下一步該往哪看。

研究中，他們設(shè)計了一套測試環(huán)境，有文本版和視覺版兩種，讓模型在多個房間里主動探索，收集信息，構(gòu)建腦海中的認(rèn)知地圖。過去評估只看最終答對答錯，這篇工作第一次能給 AI 大腦拍 X 光，他們讓模型顯式探測這張認(rèn)知地圖，在每個時間步輸出自己認(rèn)為物體都在什么位置。

（動圖來源：受訪者）

結(jié)果發(fā)現(xiàn)，模型在被動模式下表現(xiàn)尚可，一旦切換到主動探索模式，性能應(yīng)聲而落。以視覺世界為例，GPT-5.2 從 57.1% 掉到 46.0%，Gemini-3 Pro 從 60.5% 掉到 57.3%，而這就是他們所說的主動被動差距。

（來源：https://theory-of-space.github.io/paper/Theory_of_S）

差距從哪來？他們用一套精細(xì)的診斷工具來逐層拆解模型的認(rèn)知過程。

第一個問題是效率低。規(guī)則代理平均 9 步就能覆蓋整個環(huán)境，基礎(chǔ)模型往往需要 14 步以上，而且覆蓋率更低。GPT-5.2 有個毛病，一看到門就沖過去，經(jīng)常忘了把當(dāng)前房間看完。Gemini-3 Pro 好一些，會先原地旋轉(zhuǎn)觀察再移動，但也沒有規(guī)則代理高效。

第二個問題更致命。他們設(shè)計了一個錯誤信念測試，在模型完成初次探索后，悄悄移動或旋轉(zhuǎn)幾個物體。當(dāng)模型再次經(jīng)過并直接觀察到新布局時，一個令人不安的現(xiàn)象出現(xiàn)了：GPT-5.2 在視覺世界中的朝向慣性高達(dá) 68.9%，即近七成的情況下仍然堅持報告物體的舊朝向。同一模型在文本世界中慣性只有 5.5%。

（來源：https://theory-of-space.github.io/paper/Theory_of_S）

其實這就是信念慣性，模型親眼看到變化，但內(nèi)部表征缺乏足夠的可塑性來完成舊信念到新信念的覆寫，也就是它無法更新自己的認(rèn)知。這和 Sally-Anne 測試?yán)锶龤q幼兒的失敗何其相似，只不過幼兒失敗是因為認(rèn)知能力尚未發(fā)育，模型失敗是因為內(nèi)部機制存在缺陷。

認(rèn)知地圖會漂移，視覺世界更高難

他們還發(fā)現(xiàn)一個叫信念漂移的現(xiàn)象。那就是模型在初次觀察物體時的感知誤差雖然存在，不過還沒嚴(yán)重到影響整體判斷。真正的問題是，這份初始保真度無法在后續(xù)步驟中維持。隨著探索推進(jìn)、信息增多，那些早先正確的記憶開始悄然退化，被后續(xù)步驟的錯誤更新覆蓋，或者在拼接不同房間的信息時產(chǎn)生內(nèi)部矛盾。

（動圖來源：受訪者）

最終認(rèn)知地圖的低準(zhǔn)確率，在很大程度上來自拼不住。模型缺乏穩(wěn)定維護(hù)長程空間信息的機制，新的觀察不僅沒有鞏固已有認(rèn)知，反而在不斷侵蝕它。這個特點可能人類也存在，比如筆者曾去參觀故宮，一個宮殿接一個地觀看，而這些宮殿又很相似，那么就很有可能看了下一個、忘記了上一個。

（來源：https://theory-of-space.github.io/paper/Theory_of_S）

但是，這些問題在視覺世界中會被放大。人類被試在視覺世界中的準(zhǔn)確率高達(dá) 96.4%（使用簡單工具后達(dá) 99.0%），在文本世界中是 86.7%。模型卻正好相反，文本表現(xiàn)遠(yuǎn)好于視覺。視覺信息對人類而言是天然、直覺的空間認(rèn)知通道，而當(dāng)前多模態(tài)模型尚未學(xué)會從像素中高效提取空間結(jié)構(gòu)。

尤其是物體朝向識別，模型幾乎接近隨機猜測。這解釋了為什么它們在視角推理任務(wù)（如 Perspective Taking）上得分慘淡，大約只有 36% 的準(zhǔn)確率。

而這套評估框架的價值，在于它把空間智能從會不會答這道題的二元判定，變成了一個可以逐級診斷的連續(xù)過程。它告訴我們的不只是模型還差多遠(yuǎn)，更是它具體在哪一級開始失靈。

如果模型連“記住剛才看到的沙發(fā)在哪”都做不到，那指望它在一個真實環(huán)境里主動導(dǎo)航，比如在災(zāi)區(qū)搜救中定位幸存者，還有很長的路要走。

（來源：https://theory-of-space.github.io/paper/Theory_of_S）

目前，相關(guān)論文已被機器學(xué)習(xí)頂級會議 ICLR 2026 接收。論文、代碼和數(shù)據(jù)集都已開源。該研究由西北大學(xué)、斯坦福大學(xué)、華盛頓大學(xué)與康奈爾大學(xué)聯(lián)合完成。研究團(tuán)隊里集齊了多位《麻省理工科技評論》“35 歲以下科技創(chuàng)新 35 人”的入選者，李曼玲教授是 2025 年全球入選者，美國斯坦福大學(xué)的吳佳俊教授和美國華盛頓大學(xué)的 Ranjay Krishna 教授分別入選了 2024 與 2025 年度亞太區(qū)名單。

參考資料：

相關(guān)論文 https://theory-of-space.github.io/paper/Theory_of_Space.pdf

https://limanling.github.io/

https://profiles.stanford.edu/fei-fei-li

運營/排版：何晨龍