AI空间对话能力测评：蒙特利尔大学揭示与人类协作的差距
想象一下，在一个陌生的大型公园里和朋友走散，你会怎么做？一个人说“我在喷泉旁边的路灯下”，另一个人回应“我看到一棵高树和那个喷泉”。尽管视角不同，但通过几句简单的对话，双方就能迅速建立起对周围环境的共同理解，最终成功会合。这种通过语言交流整合不同视角信息的能力，是人类空间智能的日常体现。
那么，当前最先进的多模态大语言模型，是否也具备这种协作空间理解能力呢？一项由蒙特利尔大学Mila魁北克人工智能研究所、IIIT海德拉巴德等机构联合开展的研究，于2026年4月发布了相关论文（arXiv:2603.27183v2），为我们揭示了答案——结果出人意料。
研究团队为此专门开发了一个名为COSMIC的测试平台，可以理解为给AI设置的一场“空间对话考试”。在这个考场里，两个AI助手被置于房间的不同位置，各自只能看到有限的视野，它们必须像两个走散的朋友一样，仅通过自然语言对话来协作解决一系列空间问题。
测试结果颇具启发性。即便是表现最好的GPT-5和Gemini-3-Pro模型，其准确率也仅在72%左右徘徊。相比之下，人类参与者轻松达到了95%的准确率。这23个百分点的差距，清晰划出了一道能力鸿沟。更值得玩味的是，AI的能力呈现出明显的分层：识别共同物体尚可，推理空间关系便开始吃力，而在构建房间全局地图这类高阶任务上，其表现几乎与随机猜测无异。
这就好比让两个人通过对讲机合作组装一台复杂机器。AI能准确描述各自手边的零件，但当需要理解这些零件如何在三维空间中相互关联，乃至在脑海中勾勒出整台机器的完整图像时，它们就显得力不从心了。
COSMIC测试平台：为AI设计的空间对话考场
为了系统性地探究这个问题，研究团队构建了COSMIC（协作空间交流）测试平台。平台包含了899个程序化生成的3D室内场景，涵盖客厅、卧室、厨房等多种环境，确保了测试的复杂性和多样性。
在每个测试场景中，两个AI助手扮演不同角色：“回答者”负责回答关于房间布局的问题；“帮助者”则提供自身视角的信息予以协助。这模拟了两个侦探在案发现场不同位置，仅凭无线电交流来拼凑完整线索的情景。
测试设计了五个由浅入深的“关卡”，逐步挑战AI的空间协作能力：
锚点识别： 最基础的一关，要求识别两个视野中共有的物体，类似于确认双方都能看到的同一个地标。
全局计数： 难度升级，需要统计房间内某类物体的总数，并避免重复计算双方都能看到的物体，考验信息整合与去重能力。
相对距离与相对方向： 进入关系推理阶段。前者需判断物体间的远近关系；后者则要求一个助手向另一个描述某物体在其视角中的方位。这就像在没有地图的情况下，仅凭语言描述来确认路线。
认知地图构建： 终极挑战。要求AI通过对话整合信息，判断一张俯视图是否准确反映了房间的真实布局。这相当于让两个只掌握局部信息的人合作绘制完整地图。
测试设计颇为巧妙，设置了各种干扰项，防止AI依靠猜测或常识“蒙混过关”。例如，在锚点识别任务中，错误选项可能包括仅一方可见的物体，或类别相同但属性不同的物体。
AI表现分析：能力等级的清晰分层
测试结果揭示了一个清晰的“能力阶梯”。在最基础的锚点识别任务中，顶尖模型能达到90%以上的准确率，表现尚可。然而，一旦任务复杂度稍有增加，例如需要去重计算的全局计数，所有模型的性能均出现下滑。
当任务进入真正的空间推理领域，AI的表现便开始急剧下降。在相对距离任务中，最佳模型的准确率已降至70-80%；而在相对方向任务上，多数模型仅略高于50%的随机水平。这揭示了一个关键问题：让AI通过对话判断“哪个物体离窗户最近”或“某物在你的左边还是右边”，这种对人类而言近乎本能的能力，对AI却异常困难。
最具冲击力的发现来自最高难度的认知地图构建任务：几乎所有AI模型都彻底失败了，准确率徘徊在50%的随机猜测线附近。构建空间心理地图是人类空间认知的核心，但当前的AI在这方面几乎毫无建树。
另一个有趣的现象是“思考”的价值。当允许模型进行明确的中间步骤推理（链式思考）时，它们在锚点识别和相对距离任务上的表现平均提升了10-15个百分点。这类似于允许学生在考场上打草稿，有助于理清思路。
然而，这种提升存在明显的天花板。在更高级的空间推理任务中，即便提供了推理步骤，AI的表现也未见显著改善。这表明问题的根源可能不在于推理过程的缺失，而在于AI对空间关系缺乏根本性的理解能力——就像给一个从未下过水的人详细讲解游泳理论，并不能让他真正学会游泳。
人类与AI的对话模式差异：效率与深度的鸿沟
为了深入对比，研究团队还收集了250段人类之间的协作对话作为基准。对比之下，差异愈发显著。
人类的对话展现出极高的效率与精确性。对话具有强烈的目标导向，通常在前几轮交流中就能快速锁定共同参照物，随后围绕这些锚点进行高效的信息交换。例如，在锚点识别中，人类会迅速确认“蓝色沙发-白色茶几”这样的组合，几句话便建立起可靠的空间坐标。
更重要的是，人类对话呈现出明显的“收敛”特征：随着对话深入，提及新物体的频率会迅速下降，这表明讨论正围绕已确认的核心要素深化，而非漫无目的地罗列所见。这就像两位装修工通过电话协调，起初会提及各种物品，但很快便会聚焦到关键的尺寸和参照点上。
反观AI的对话模式，则显得冗长而低效。整个对话过程中，AI提及新物体的频率始终居高不下，缺乏人类那种逐步聚焦、深化共识的能力。它们更像两个新手在仓库盘点，不断报告新发现，却始终无法在脑中形成清晰的库存布局图。
人类还展现出强大的错误修正能力。当发现推理出现偏差时，他们能迅速回溯并调整假设，修正成功率高达79%。这种元认知能力在协作中至关重要。
AI在这方面的表现则令人担忧。最佳模型的错误修正率仅为28%，多数模型甚至低至8%左右。这意味着AI一旦在对话早期形成错误的空间假设，便极有可能沿着错误路径一路到底，缺乏自我监控与调整的机制。
失效模式分析：AI犯错的三大类型
通过对150个失败案例的剖析，研究团队归纳出AI在协作空间理解中失败的三种主要模式：
1. 感知失效（约占20%）： 这是错误的起点。包括物体识别失败（如将桌子误认为椅子）和属性标记错误（如把白色柜子描述成蓝色）。这类错误虽占比不高，却像第一张倒下的多米诺骨&牌，极易引发后续的连锁反应。
2. 跨视角锚定失效（约占46%）： 这是最主要的失败根源，反映了AI在建立共同参照系上的根本困难。具体表现为： - 指称歧义： 描述过于模糊（如“椅子旁边的桌子”），导致对方无法唯一确定所指物体。 - 实例合并错误： 误将两个不同物体当作同一个（如将房间东西两侧的两个白色柜子混淆）。 - 实例重复错误： 与合并错误相反，将同一个物体误认为是两个不同的个体，导致计数重复。
3. 几何与关系推理失效（约占34%）： 暴露了AI在空间几何理解上的深层缺陷。最常见的是视角转换失败，即无法将对方以自我为中心的描述（如“桌子在我左边”）正确转换到自身的参照系中。此外，AI也难以从2D的自我视角推断出物体在3D空间中的真实排列关系。
这些失效模式往往环环相扣，一个早期的感知错误可能触发锚定失效，进而导致几何推理全盘出错。这种错误的累积效应，最终解释了为何AI在复杂空间任务上举步维艰。
对未来发展的启示：弥合人机协作的空间理解鸿沟
这项研究的发现意义深远，尤其是在人机协作日益普及的今天。它清晰地指出，当前AI在需要深度空间协调的任务中，仍是一个不可靠的伙伴。
结果表明，单纯依靠增加数据或缩放模型参数，可能无法攻克这些根本性难题。AI需要的是在三维空间表征、视角转换机制以及元认知监控能力上进行更深层的革新。
这对实际应用提出了警示。在设计智能家居或多机器人协作系统时，或许不能完全依赖自然语言交流，而需要引入更明确的空间信息交换协议，或融合其他传感器数据来补偿纯视觉理解的不足。
同时，研究也为未来的改进指明了方向：开发更优的三维空间表征模型、训练专门的视角转换能力、增强错误检测与修正机制，以及设计更高效的空间协作协议。
归根结底，这项研究再次凸显了人类空间智能的精妙与强大。高效的协作不仅依赖于个体卓越的感知，更离不开建立共同理解的交流艺术。在迈向更智能AI的道路上，培养这种“协作智能”，或许比追求单一的“个体智能”更为关键。
对于普通用户而言，这项研究的价值在于帮助我们更清醒地认识AI的能力边界。在涉及复杂空间协调的场景中，人类的参与和监督在可预见的未来仍不可或缺。未来的方向，应是思考如何让AI更好地辅助和增强人类的优势，而非简单地取而代之。
Q&A
Q1：COSMIC测试平台是什么？
A：COSMIC是一个专为评估AI协作空间理解能力而设计的测试平台。它包含899个3D室内场景，让两个仅能通过对话交流的AI助手从不同视角协作解决空间问题，模拟人类在类似情境下的协作过程。
Q2：AI在空间协作任务中表现如何？
A：AI的表现远逊于人类。顶尖模型的准确率约为72%，而人类高达95%。AI在识别共同物体上尚可，但在需要空间关系推理的任务上表现不佳，在构建全局认知地图这类高阶任务中，其表现接近随机猜测。
Q3：人类和AI在空间对话上有什么差别？
A：核心差别在于效率与深度。人类对话目标明确、快速收敛、信息密度高，且具备强大的错误修正能力。AI对话则往往冗长、发散、难以聚焦关键信息，一旦形成错误认知便很难回头，缺乏有效的元认知监控。