多模態(tài)大模型（MLLM）在高層次視覺理解與推理任務(wù)上展現(xiàn)出驚艷能力。然而，如果你仔細觀察，就會發(fā)現(xiàn)一個的事實：它們在一些看似簡單、直觀、人類幼兒都能輕松完成的任務(wù)中，卻頻頻「翻車」。

比如，「一個玩具被遮住后還在嗎？」、「液體倒入不同形狀容器后，體積變了嗎？」、「兩個物體靠近會發(fā)生碰撞嗎？

這是否意味著 MLLM 的先天認知結(jié)構(gòu)中，缺少那些支撐早期人類學(xué)習(xí)的基礎(chǔ)知識機制？也就是說，它們是否缺乏「core knowledge」（核心認知能力）？

ICML 2025 高分論文（initial score 4443），揭示了 MLLM 的「核心認知盲區(qū)」。

來自 UC San Diego 的新研究《Core Knowledge Deficits in Multi-Modal Language Models》（發(fā)表于 ICML 2025）對這一問題進行了系統(tǒng)、深入的分析。

• 論文標(biāo)題：Core Knowledge Deficits in Multi-Modal Language Models
• 論文鏈接：https://arxiv.org/pdf/2410.10855

研究發(fā)現(xiàn)：目前主流 MLLM 廣泛缺乏核心認知能力，且該能力不能通過模型規(guī)模擴展自然習(xí)得。

為此，作者構(gòu)建了一個創(chuàng)新性的多模態(tài)測評體系 CoreCognition，并提出一種獨特的 「干預(yù)測試」 方法 Concept Hacking，旨在揭示模型是否真的 「理解」 任務(wù)背后的核心知識，還是只是 「蒙對了答案」。

構(gòu)建 CoreCognition：

一種跨模態(tài)認知評估基準(zhǔn)

「核心知識」概念來自發(fā)展心理學(xué)，尤其是皮亞杰（Piaget）關(guān)于人類認知發(fā)展的經(jīng)典理論。研究指出，人類在嬰兒期就已經(jīng)具備一些對世界最基本、最普遍的認知能力，構(gòu)成我們理解物體、空間、因果、意圖等的基礎(chǔ)。研究團隊受皮亞杰認知發(fā)展理論啟發(fā)，提出 CoreCognition：一個規(guī)模龐大、聚焦「核心知識」的多模態(tài)測評體系。其亮點在于：

• 覆蓋全面：12 項核心認知概念覆蓋了從 感知運動期（如邊界感、連續(xù)性、物體恒存、空間知覺、知覺恒常性、直覺物理）到 混合期（如視角理解、層級關(guān)系、守恒理解）再到 形式運算期（如意圖識別、機械推理、工具使用）三個階段。這種分層設(shè)計幫助深入剖析模型在不同認知層級上的表現(xiàn)差異。
• 數(shù)據(jù)豐富，測試廣泛：數(shù)據(jù)集共包含 1503 個圖像 - 問題對，并通過 230 款主流多模態(tài)模型 × 11 種 prompt 設(shè)計，生成 2530 個評估數(shù)據(jù)點，有效覆蓋不同模型規(guī)模與指令理解能力。
• 設(shè)計嚴謹： 

1. 判別性強（Discriminativeness）：每一道題目都經(jīng)過精心設(shè)計，使得缺乏目標(biāo)核心知識的模型必然傾向于選擇錯誤答案，從而有效區(qū)分模型能力。

2. 混淆最小（Minimal Confounding）：問題盡量避免對目標(biāo)概念以外能力產(chǎn)生依賴，減少與其他核心知識的概念交叉。

3. 無文本捷徑（Minimal Text Shortcut）：所有問題均設(shè)計為必須結(jié)合圖像和語言信息進行多模態(tài)推理，防止模型僅通過語言模式識別猜出正確答案。

• 質(zhì)量把控嚴格：所有數(shù)據(jù)由 12 位具備認知科學(xué)、計算機科學(xué)或統(tǒng)計學(xué)背景的高年級本科或研究生協(xié)作完成標(biāo)注與審核，確保標(biāo)注質(zhì)量的一致性與學(xué)術(shù)嚴謹性。

數(shù)據(jù)集設(shè)計既參考發(fā)展心理學(xué)與認知科學(xué)，又貼近 AI 實驗范式，兼顧理論可靠性與工程可行性，是首次正式將「核心知識」搬進大模型測試框架。

四大關(guān)鍵發(fā)現(xiàn)

1. 模型在基礎(chǔ)認知任務(wù)中存在明顯不足：大模型缺乏基礎(chǔ)認知，尤其是最簡單的認知能力，在諸如邊界感、持續(xù)性、空間性等簡單、直觀的任務(wù)中，模型性能遠低于對更復(fù)雜事物（如層級推理、意圖理解等）的理解能力。這些本應(yīng)是「常識」的內(nèi)容，模型卻無法掌握，說明其缺乏對世界基本結(jié)構(gòu)的理解。

2. 模型無法有效利用基礎(chǔ)認知支撐高級能力：模型在高層認知上的表現(xiàn)，不一定與低層認知水平直接掛鉤。說明模型并未形成穩(wěn)固的認知體系，模型的高級推理感知并不是建立在基礎(chǔ)的認知能力上的。這也能解釋為什么模型出現(xiàn)魯棒性缺陷（即不能持續(xù)穩(wěn)定的正確回答問題）。

3. 增加模型規(guī)模并不能顯著提升基礎(chǔ)認知能力：研究顯示模型的基礎(chǔ)認知能力無法通過簡單擴展規(guī)模獲得顯著提升。盡管模型參數(shù)量提升帶來了高級推理能力的提升，但對低級認知幫助較小，甚至某些基礎(chǔ)能力會出現(xiàn)規(guī)模越大越差的反常現(xiàn)象。

4. Reasoning model 并沒有表現(xiàn)出明顯優(yōu)勢：System-2 reasoning 也不能有效幫忙模型學(xué)習(xí)或者推理基礎(chǔ)認知能力，這說明模型可能在 pretrain 階段就缺乏基礎(chǔ)認知能力。

Concept Hacking：

干預(yù)測試揭示「假理解」陷阱

為了進一步驗證模型是否真的掌握核心概念，作者提出了 Concept Hacking（概念干預(yù)） 方法：通過構(gòu)造「對照組」（control）與「干預(yù)組」（manipulated），故意在測試圖文中反轉(zhuǎn)關(guān)鍵特征，但保持其余條件一致。從而區(qū)分「真正理解」與「投機取巧」：

• 若在正常與反轉(zhuǎn)任務(wù)中均表現(xiàn)良好，說明模型具備真實的認知能力。
• 若僅在正常任務(wù)表現(xiàn)好，但反轉(zhuǎn)任務(wù)失敗，說明模型在依賴虛假的認知捷徑。
• 若在正常任務(wù)表現(xiàn)差，則表明模型既沒有掌握核心知識，也沒有建立認知捷徑。

實驗證明，很多模型在正常圖文任務(wù)中表現(xiàn)良好，但一旦關(guān)鍵特征被微調(diào)，預(yù)測結(jié)果大幅崩潰，說明其并非真正理解「核心概念」，而是更加依賴淺顯易得的捷徑學(xué)習(xí)。

意義與啟示

文章揭示多模態(tài)大模型（MLLMs）缺乏核心知識，而且這種知識并不能僅靠規(guī)模擴展獲得 — 模型規(guī)模越大，越會在復(fù)雜任務(wù)上「表面優(yōu)雅」，但更難在基礎(chǔ)認知上實現(xiàn)真正理解。這印證了經(jīng)典的 「Moravec 悖論」：對人類來說最簡單的認知任務(wù)，對 AI 卻最困難。這對當(dāng)前以規(guī)模為主的發(fā)展路徑構(gòu)成了根本性挑戰(zhàn)，表明其難以通向類似人類的通用智能。

• 認知科學(xué)啟示：人類以核心認知為基礎(chǔ)構(gòu)建更高級認知，MLLM 卻缺乏這種認知搭建的 scaffold 結(jié)構(gòu)。
• 技術(shù)發(fā)展挑戰(zhàn)：簡單地增加參數(shù)規(guī)模、訓(xùn)練數(shù)據(jù)，并不能自動帶來核心認知能力。
• 未來方向指引：或許需要在模型預(yù)訓(xùn)練階段顯式注入物理、空間等常識，主動「灌輸」這些核心認知能力；探索認知引導(dǎo)訓(xùn)練機制，以引入「顯式概念學(xué)習(xí)」；開發(fā)更多高度控制的認知能力評測。

本文作者介紹：

黎羿江，在約翰斯?霍普金斯大學(xué)獲得數(shù)據(jù)碩士學(xué)位，現(xiàn)在是加州大學(xué)圣地亞哥分校一年級博士生，主要研究方向聚焦于人工智能的學(xué)習(xí)方向，旨在實現(xiàn)高效和魯棒的學(xué)習(xí)，并應(yīng)用于多模態(tài)、交互式以及三維具身環(huán)境中。

高清瀅，于約翰斯?霍普金斯大學(xué)獲得碩士學(xué)位，目前正在該校攻讀計算機科學(xué)博士學(xué)位。她隸屬于約翰斯?霍普金斯醫(yī)學(xué)院旗下的 Wilmer 眼科研究所，Lions 視覺研究與康復(fù)中心，以及工程與醫(yī)學(xué)人工智能實驗室。她的研究興趣包括視覺 - 語言模型的可解釋性和面向低視力人群的自主導(dǎo)航技術(shù)。

趙天維，是約翰斯?霍普金斯大學(xué)計算機科學(xué)碩士研究生。他的研究興趣包括從認知科學(xué)視角評估、理解與增強多模態(tài)模型（特別是其推理能力），以及優(yōu)化多智能體系統(tǒng)中的規(guī)劃與協(xié)同機制。

汪冰洋，在埃默里大學(xué)獲得了理學(xué)碩士、理學(xué)學(xué)士和工商管理學(xué)士學(xué)位。她的研究興趣包括多模態(tài)融合以及從混合模態(tài)中高效提取信號。

孫浩然，于 2024 年獲得約翰斯?霍普金斯大學(xué)應(yīng)用數(shù)學(xué)碩士學(xué)位。其主要研究方向包括醫(yī)學(xué)數(shù)據(jù)科學(xué)以及機器學(xué)習(xí)在心臟病學(xué)中的應(yīng)用。

羅得之，是密歇根大學(xué)溫博格認知科學(xué)研究院的大四學(xué)生。他曾在倫敦大學(xué)學(xué)院心理與語言科學(xué)系訪學(xué)，并曾任倫敦大學(xué)哲學(xué)研究所的人工智能學(xué)者。他的研究興趣為認知科學(xué)與人工智能的理論基礎(chǔ)，尤其關(guān)注意識、自我加工與核心認知。

Hokin Deng ，是卡內(nèi)基梅隆大學(xué)的訪問研究科學(xué)家。他曾在哈佛大學(xué)擔(dān)任計算機視覺工程師，設(shè)計了首套用于單細胞認知實驗的實驗基礎(chǔ)設(shè)施。在此之前，他是約翰霍普金斯醫(yī)院的神經(jīng)工程師，并在 Meta Reality Labs 擔(dān)任附屬研究科學(xué)家。他共同領(lǐng)導(dǎo)了開源項目 「像孩子一樣培養(yǎng)人工智能（GrowAI）」，并聯(lián)合組織了多場聚焦計算機科學(xué)、神經(jīng)科學(xué)與哲學(xué)交叉領(lǐng)域的研討會。此前，他曾在約翰霍普金斯大學(xué)學(xué)習(xí)神經(jīng)科學(xué)與哲學(xué)。