Post by 沈重宗

AI 下一波競賽：不是更會聊天，而是學會「用影像推理」 生成式 AI 在文字、程式設計與知識問答上快速進步，但許多 AI 研究者開始認為，真正限制 AI 發展的瓶頸，已經不是語言，而是對真實世界的理解能力。 近期由 Google Brain、DeepMind 與 Apple 前研究人員共同創立的新創 Elorian AI，提出一個不同於現有大型語言模型（LLM）的方向：打造能夠直接理解影像、空間與物理世界的 AI，而不是先把影像轉成文字，再依靠語言模型推理。 目前大多數多模態 AI（例如可分析圖片的模型），本質上仍是將影像內容轉換成語意表示，再進行文字推理。這種方法在辨識物件、回答問題時表現不錯，但面對空間關係、立體結構、物理限制、工程設計或複雜視覺推理時，能力仍有限。 Elorian 的理念是讓 AI 建立接近人類的「視覺推理（Visual Reasoning）」能力，例如理解零件如何組裝、判斷物體間的距離與方向、推演受力與變形，甚至在工程設計中結合物理模擬，自動找出設計缺陷並提出改善方案，而不是只描述圖片內容。 這類能力若成熟，將有望應用於： 工程設計與 CAD 自動化 機器人自主操作 自動駕駛 醫療影像分析 衛星影像判讀 製造業與智慧工廠 科學研究與產品研發 值得注意的是，這並非只有 Elorian 在研究。近期多篇國際 AI 論文也指出，讓 AI 在推理過程中持續保留視覺資訊，而非完全依賴文字思考，能有效提升空間推理與視覺理解能力，顯示「Visual Reasoning」已逐漸成為 AI 領域的重要研究方向。 我的觀察 過去三年，AI 的競爭焦點集中在誰能生成更好的文字、程式與內容；未來幾年，競爭可能轉向誰能真正理解物理世界。 當 AI 不只是「看見圖片」，而是能理解空間、結構、物理規律與因果關係，它的角色將從聊天助手進一步成為工程師、設計師、機器人以及科研人員的重要協作夥伴。這也可能是邁向更高階通用人工智慧（AGI）的關鍵一步。