謝賽寧、李飛飛、Yann LeCun首次聯手！提出全新范式“超感知”，AI 不再只是“看”，還能“預測與記憶”

作者：聽雨 2025-11-11 12:16:25

最近，李飛飛、謝賽寧、Yann LeCun 等大佬頻頻提到一個詞——空間智能（Spatial Intelligence）。它不是單純“看懂圖像或視頻”，而是理解空間結構、記住發生的事情，并能預測未來。換句話說，真正的 AI 不只是“看見”，還要感知、理解，并主動組織經驗，這是未來多模態智能的核心能力。

編輯｜聽雨

出品 | 51CTO技術棧（微信號：blog51cto）

就在近期，這三位大佬首次聯手，發布了論文《Cambrian-S：邁向視頻中的空間超感知》。

圖片

論文提出了全新的范式——超感知（Supersensing）：AI 模型不僅要看到、識別、回答，還要能記住、理解場景的三維結構，并預測未來、組織經驗，通過此過程構建出自己的內部世界模型（Internal World Model）。

圖片

論文共同一作Shusheng Yang在X上表示：真正具備超感知智能的系統，需要主動預測、篩選并組織感官輸入，而不僅僅是被動接收信息。

圖片

謝賽寧則指出，Cambrian-S 是團隊在視頻中探索空間超感知的初步嘗試。雖然論文篇幅很長，但細節豐富、觀點前沿，如果你關注視頻多模態模型，絕對值得一讀。

一、如何界定“空間超感知”？

去年，謝賽寧團隊就發布了 Cambrian-1 —— 一個面向圖像的開放式多模態模型探索項目。但他們沒有急著去構建 Cambrian-2 或 Cambrian-3，而是先停下來思考：

什么才是真正的多模態智能？
用大語言模型（LLM）的范式去建模感知，真的合理嗎？
為什么人類的感知如此輕松、直覺，卻又極其強大？

團隊意識到，有某種根本性的東西還缺失。謝賽寧表示，如果沒有先構建出“超感知（supersensing）”，就不可能構建出“超級智能（superintelligence）”。

那么，什么是超感知？它并不是指更先進的傳感器或更高端的攝像機，而是指一個數字生命體如何真正體驗世界——它能夠持續吸收無盡的感官輸入流，并從中不斷學習。

超感知是智能的一部分，就像眼睛是大腦與外界接觸的那一部分。你不需要感知就能解決編程或數學問題。但如果是要讓 AI 代理在真實世界中行動，那它就必須具備感知建模（sensory modeling）能力。謝賽寧還引用了 Karpathy 大神所說的，感知建模也許正是智能所需要的一切。

研究團隊將超感知能力劃分為五個層級：

1、無感知能力（No sensory capabilities）：例如語言模型（LLMs），只具備語言理解。它們的推理僅限于文本與符號，其“世界知識”并非基于真實物理世界的感知。

2、語義感知（Semantic perception）：能夠將像素解析為物體、屬性與關系。這一層級對應當前多模態大模型（MLLM）在“看圖說話”等任務中表現出的強大能力。

3、流式事件認知（Streaming event cognition）：能夠處理實時、無邊界的數據流，并主動解釋與響應正在發生的事件。這一方向與當前讓 MLLM 成為實時助理的努力相契合。

4、隱式三維空間認知（Implicit 3D spatial cognition）：能夠理解視頻是三維世界的投影。智能體必須知道“有哪些物體”、“它們在哪里”、“彼此如何關聯”，以及“這些空間配置如何隨時間變化”。當下的視頻模型在這一層面仍然非常受限。

5、預測性世界建模（Predictive world modeling）：人腦通過基于先驗預期預測潛在的世界狀態，從而進行“無意識推理”。當預測被打破時，“驚訝（surprise）”會引導注意力、記憶與學習。然而，當前的多模態系統缺乏這種能夠預判未來狀態的內部模型，也無法利用“驚訝”機制去組織感知、形成記憶或做出決策。

二、如何評測“空間超感知”？

為回答這個問題，研究團隊對現有的視頻基準進行了系統審查，發現盡管這些基準在一定程度上具有研究價值，但大多數視頻基準主要關注語言理解和語義感知，而忽視了更高層次的空間超感知能力。

一些新近基準（例如 VSI-Bench）確實開始關注空間感知，但它們仍局限于有限的視頻時長。因此，它們難以反映視覺流（visual streams）那種無邊界、連續性強的特性——而這恰恰是實現“超感知”以及應對真實世界挑戰所必需的能力。

于是，他們提出了一套新的基準 VSI-SUPER——謝賽寧說這是一套更“笨”但更難”的版本，它包含兩條任務：

1、VSI-SUPER Recall（VSR）：要求模型在長時程的時空視頻中觀察，并依次回憶出一個異常物體的位置。

2、VSI-SUPER Count（VSC）：測試多模態大模型（MLLM）在長視頻場景中持續累積空間信息的能力。

VSR 和 VSC 的設計目的都是打破現有范式，通過將多個短視頻片段拼接成任意長度的長視頻，來考察模型對“無界視覺流”的理解與記憶能力。

團隊測試了當下最強的視頻多模態模型之一 —— Gemini-2.5 Flash，結果發現：盡管 Gemini 在通用視頻基準上表現領先，但在 VSI-SUPER 上仍然失敗。

你可能會問——這不就是一個數據或規模（scaling）問題嗎？

謝賽寧表示，某種程度上，確實是。但這也是他們為什么要構建全新的 Cambrian-S 視頻多模態大模型系列。團隊希望在現有范式下盡可能地推動極限。他們認為，數據與規模對于實現超感知（supersensing）是必要的，但并非充分條件。核心問題在于：目前根本沒有真正用于空間認知的訓練數據。

因此，團隊構建了 VSI-590K 數據集，它包含 59 萬條訓練樣本，來源包括：

第一人稱視角探索的室內環境（帶 3D 標注）
模擬器生成的視頻
利用 VGGT 等視覺工具進行偽標注的 YouTube 視頻

團隊還探索了后訓練策略、數據混合方案以及一系列工程細節，訓練了從 0.5B 到 7B 參數規模的模型。

結果顯示：這些模型在空間推理上表現強勁，比基礎 MLLM 提升高達 30%，即便是最小的模型也表現不俗。

數據與模型已經開源，但他們很明確：這仍然無法解決 VSI-SUPER 的任務。團隊越來越確信，用 LLM 的方式去構建多模態模型，并不是通向超感知的最終道路。

三、全新原型：預測感知

基于上述基礎，團隊打造了 Cambrian-S 系列模型，其特點包括：1、具備競爭力的通用視頻/圖像理解能力2、領先的空間感知性能

團隊還觀察到：1、它能夠很好地泛化到未見過的空間任務2、在去偏測試（debias stress test）下表現穩健

然而，它在 VSI-SUPER 上仍然失敗：1、在 VSR（長時程空間回憶）任務中，幾乎無法泛化到超過 60 分鐘的視頻2、在 VSC（持續計數）任務中，10 分鐘視頻的計數仍然困難

展望未來，團隊正在原型化一個新方向——預測感知（predictive sensing）。論文引用了大量來自認知科學和發展心理學的研究，這些研究指出，人類視覺系統帶寬極高，但效率驚人。每只眼睛約有 600 萬個視錐細胞，理論傳輸速度約 1.6 Gbit/s，但大腦僅用約 10 bits/s 來指導行為。

舉一個 Jurgen 提出的世界模型例子：

以棒球為例。棒球擊球手只有幾毫秒的時間決定如何揮棒——這比視覺信號從眼睛傳到大腦所需的時間還短。我們之所以能擊中每小時 100 英里（約 160 公里）的快速球，是因為我們能夠本能地預測球的運動方向與落點。對于職業球員來說，這一切幾乎都是無意識完成的。

Credit: https://worldmodels.github.io/