资讯里提到一个关键发现：当前多模态模型在言语理解和工作记忆上接近人类天花板（>98百分位），但知觉推理却跌到地板（<1百分位）。这不仅是“偏科”问题，而是揭示了生成式AI认知架构的根本性失衡——它们擅长“背答案”式的符号处理，但对涉及空间、因果关系的非语言推理几乎束手无策。从我个人经验看，用GPT-4处理逻辑谜题时，它常给出看似合理但实际荒谬的步骤，这正好对应了知觉推理的低分。

我的观点是：这种“认知残疾”可能比参数规模更限制AI的通用性。如果模型连基本的视觉空间推理都做不好，谈何“世界模型”？更值得警惕的是，测试中使用的韦氏量表改编任务（如矩阵推理）对普通人而言并不难，AI却表现极差，说明其“智能”高度依赖语言统计模式，而非真正的理解。

我想抛两个问题：1）你认为这种认知不均是否意味着当前架构（Transformer+自回归）在本质上无法“学会”知觉推理？2）有没有可能通过多模态数据增强或结构化训练来弥补，还是需要全新的认知架构？行业格局上，如果模型只能做“高智商的文科生”，那么许多需要实体交互的领域（如机器人、自动驾驶）可能还得等下一波突破。大家怎么看？