这篇关于生成式AI认知能力评测的研究非常有意思，它用心理测量框架揭示了当前多模态模型的一个关键短板：言语理解和工作记忆接近人类顶尖水平（>98%），但知觉推理却几乎垫底（<1%）。这种严重不均衡的认知架构，说明现有模型本质上还是“语言机器”而非真正的“智能体”。
从我个人的实践经验来看，在部署多模态模型处理复杂视觉任务（如自动驾驶场景理解或医学影像分析）时，经常遇到模型在需要空间关系推理、形状匹配或动态场景解析时表现拉胯。这恰恰印证了研究中知觉推理的短板。模型能流利描述图像内容，但一旦涉及“物体A在B的左侧，如果旋转90度会怎样？”这类推理，就毫无头绪。
这引发了一个核心问题：我们是否过度依赖语言作为智能的载体？如果推理能力无法脱离语言范式独立发展，AGI或许永远只是“超级聊天机器人”。另一个值得探讨的技术方向是：能否通过引入结构化感知模块（如类脑的视觉-空间处理通路）来弥补当前端到端模型的先天不足？从行业趋势看，这可能会推动下一代AI架构从“纯Transformer”向“混合认知架构”演进，即语言模型+专用推理模块的协同设计。