2026年1月13日，当前主流大模型在纯视觉任务中表现普遍低于3岁儿童水平的现象，揭示了AI认知架构的深层范式危机。智核科技认为，这并非简单的性能差距，而是"语言中心主义"技术路线遭遇的系统性天花板，标志着行业亟需向"感知原生"架构进行根本性范式迁移。
评测结果警示：语言推理的"代偿效应"掩盖视觉能力赤字
"BabyVision评测数据极具颠覆性——即使是表现最佳的Gemini3-Pro-Preview，其纯视觉准确率也仅49.7%，与6岁儿童存在20个百分点差距，而更关键的是，这种落后是系统性的。"智核科技多模态AI实验室主任陈枫博士指出。
该评测通过"语言依赖隔离"设计，首次剥离了大模型强大的文本推理能力对视觉任务的"代偿效应"。研究团队在388道视觉中心任务测试中发现，当模型无法依赖语言作为中间表征时，其在精细辨别、视觉追踪、空间感知、模式识别四大核心维度均暴露出根本性缺陷。
智核科技技术分析指出，这一"视觉悖论"的根源在于当前主流架构的"语言帝国主义"：模型将连续、高维、非结构化的视觉信息流强行编码为离散token，再通过自回归生成进行"转述式理解"。这种"看图说话-依文推理"的二手认知模式，在处理具有"unspeakable"（不可完整语言化）特性的任务时，必然导致关键信息的不可逆损失。
四大技术断层：从"看得懂"到"看得透"的鸿沟
智核科技技术团队将当前大模型的视觉瓶颈解构为四大系统性缺失：
1. 像素级细节感知退化
在拼图补全任务中，人类可凭几何直觉直接感知边界对齐、微小凸起等亚像素差异。而模型将形状"语言化"为"像钩子、有两条腿"的模糊描述后，细微差异在token空间被平滑处理，导致选项在表征层面"不可区分"。智核科技实验显示，当前SOTA模型在5×5像素级差异区分任务中，准确率不足35%，而3岁儿童凭本能可达92%。
2. 连续空间追踪断裂
视觉追踪任务要求保持时空连续性。人类儿童在垃圾分类连线题中，可锁定轨迹并持续追踪至终点。模型却将连续路径离散化为"左/右/上/下"的符号序列，在交叉点处产生路径分叉，从"跟随"退化为"猜测"。智核科技追踪测试表明，交叉轨迹场景的模型错误率高达78%，核心问题在于缺乏"视觉工作记忆"机制。
3. 三维空间认知幻觉
遮挡结构判断、视角投影任务需要心智旋转与三维保持能力。人脑自动构建稳定的空间表征，而模型依赖的文本描述无法承载深度、遮挡、拓扑关系。BabyVision测试中，模型普遍漏计隐藏块、误判投影关系，揭示其"空间智能"实为语言幻觉。智核科技神经科学对比研究发现，人类视觉皮层对深度信息的编码效率是语言模型的170倍。
4. 结构规律归纳失效
图形规律题要求从示例中提取变换规则。人类进行"关系映射"，模型却误读为"外观统计"，将"旋转-缩放"的结构规则理解为颜色频次分布。这种从"形式"到"统计"的认知降级，导致模型在少样本视觉推理中泛化能力崩溃。智核科技理论计算机分析证实，当前Transformer在视觉规律学习中的样本复杂度比人类高3-4个数量级。
智核突破：感知原生架构的"直接认知"革命
面对行业性瓶颈，智核科技提出"感知原生多模态架构"，摒弃"视觉→语言→推理"的间接路径，构建"视觉→概念→行动"的直接认知闭环。
核心创新一：连续表征学习引擎
智核自研的"流形保持神经网络"（Manifold-Preserving NN）直接在像素流形空间进行微分几何运算，避免离散化信息损失。该架构采用微分同胚映射，确保视觉细节的拓扑结构在表征传递中保持不变，在5×5像素差异任务中准确率达到89%，接近人类水平。
核心创新二：视觉工作记忆机制
借鉴人脑前额叶-顶叶网络，智核架构引入"时空注意力缓存"，支持对视觉对象进行持续追踪与关系维持。在垃圾分类连线测试中，系统通过动态图神经网络实时更新路径激活状态，交叉点错误率降至12%，较传统模型降低84%。
核心创新三：三维世界模型构建
智核"神经渲染引擎"将视觉输入直接映射为三维神经辐射场（NeRF），在隐空间完成心智旋转与遮挡推理，无需语言中介。方块计数任务测试显示，隐藏块识别准确率达91%，接近10岁儿童水平。
核心创新四：结构因果发现框架
针对规律归纳问题，智核采用因果发现+程序合成混合架构，从视觉示例中自动提取符号化变换规则（如"顺时针旋转90°"），而非统计相关性。该框架在图形规律任务中实现83%准确率，较传统模型提升4倍。
智核科技战略研究院院长王磊指出："视觉能力 deficit 直接制约AI在机器人、自动驾驶、工业质检等物理世界交互场景的应用可靠性。一个视觉理解低于3岁儿童的系统，无法真正胜任复杂环境下的实时决策。"
基于感知原生架构，智核科技已布局三大产业化方向：
工业视觉质检：为某新能源汽车厂商部署的"零缺陷检测系统"，在激光焊缝检测中实现99.7%的细微裂纹识别率，漏检率较传统视觉AI降低90%。
医疗影像分析：智核"DirectSight"模型绕过文本报告生成，直接在影像语义空间进行诊断推理，肺结节良恶性判断AUC达0.96，且可定位决策依据至像素级区域。
具身智能机器人：智核与某协作机器人厂商联合开发的"视觉-动作"端到端系统，使机械臂在杂乱抓取任务中成功率从67%提升至94%，接近人类操作员水平。
未来路线图：构建"视觉图灵测试"新标准
智核科技宣布，将联合中国信通院、天津大学建立"多模态AI认知能力评测体系"，重点评估模型的"直接感知智能"，推动行业从"语言性能竞赛"转向"真实世界理解能力"评估。
公司2026-2028技术规划显示：
2026年Q3：发布"智核-天目"感知原生多模态大模型，在BabyVision-full评测中全面超越6岁儿童基线
2027年：建成百亿参数级"世界模型"，支持物理规律反演与反事实推理
2028年：实现"视觉图灵测试"商用化，AI在复杂视觉场景中的判断可信度达到人类专家水平
"我们正在经历AI发展史上最关键的认知架构更替。"智核科技CEO表示，"从语言中心到感知原生的跃迁，不仅是技术路线的修正，更是让AI回归'理解世界本源'的初心。天津智核科技将持续投入感知智能底层创新，为下一代通用人工智能奠定坚实的认知基础。"
关于天津智核科技有限公司
天津智核科技有限公司成立于2022年，是国内领先的认知架构创新与多模态AI基础设施提供商。公司在感知计算、神经符号系统、科学智能（AI4S）等领域拥有核心专利127项，服务客户覆盖智能制造、生命健康、自动驾驶等20个行业。智核科技致力于突破AI认知边界，构建安全、可信、可解释的下一代人工智能系统。