AI 遇上靈魂拷問！這題讓所有模型的圖像推理功能集體翻車

AI 的極限在哪裡？這道圖像推理題最近在 Reddit 上引發熱烈討論，也讓支援圖像輸入的大型語言模型通通踢到鐵板。

問題看似簡單：下圖中還需要補上多少個小立方體，才能構成一個完整的大立方體？

Reddit網友表示：沒一個模型能正確解這題

儘管 Google 和 OpenAI 在過去一個月內都有令人驚豔的進展，尤其是 GPT-4o 現在已經能夠「看圖推理」，但至今沒有任何一個模型能夠正確解出這題——無論是大型基礎模型還是開源版本。

這題目的定義其實很簡單：當我們被問到還缺幾顆方塊時，可以合理假設我們的目標是要補齊，讓整體結構變成一個完整的立方體。

但幾乎所有模型，包括 GPT-4.0（Pro 2.5）和 GPT-4o，在這題上都會犯下一個常見錯誤：誤以為目標是構成一個 4×4×4 的立方體。

我認為這反映出目前模型在「3D空間理解」方面的能力依然有限。如果真的是這樣，你覺得我們什麼時候才可能看到 AI 在這方面有真正的突破？

這類問題其實是對 AI 空間推理能力的考驗，但目前沒有任何一個模型能準確給出答案。

GPT-4o 與 Gemini 都翻車，答案天差地遠

目前主流支援圖像理解的模型，包括 OpenAI 最新的 GPT-4o（即 o3），以及 Google 的 Gemini 1.5 Pro，都嘗試解這題，但給出的答案卻完全不同：

這兩個結果差距極大，凸顯了目前 AI 模型在3D幾何理解上的一大盲點：它們不具備真正的空間想像與立體補全能力。

語義主導的推理偏誤
多數語言模型強調的是語言中出現的模式（token prediction），當問題描述提到「看起來像是個立方體」，模型往往會根據語料中「立方體」最常見的形式（例如 4x4x4）來猜測，而非真正去「建構」一個三維物體。
缺乏實際三維模擬能力
雖然 GPT-4o 具備多模態（包括圖像）的理解能力，但這並不代表它能模擬出完整的空間邏輯或物理實體的狀態變化。目前的模型在進行「數量補全直到形成立方體」這類推理時，仍傾向做表層理解，而不是具備真正的物理空間推理。
缺乏「模型內部圖形表徵」機制
現在的AI模型並不會在內部生成像人類那樣具體的三維模型或想像圖。這導致它們對「空間差幾顆才構成立方體」這類問題的理解仍然很粗淺。

核心原因在於，各大模型對於最終要組成的大立方體的規格理解不同。有的模型認為要組成的是 5x5x5 的立方體，有的則認為是 4x4x4，甚至有模型認為是 3x3x3。

o3：將最終立方體理解為 5x5x5，但即使如此，其答案仍然有誤。若要組成 5x5x5 的立方體，需要 125 個小立方體，而圖中已給出 46 個，正確答案應為 79。
Gemini 2.5 Pro：將最終立方體理解為 4x4x4。
DeepSeek 和 Qwen：則將最終立方體設定為 3x3x3。

由於對目標立方體的規模理解不同，各大模型自然會得出不同的答案。這也反映出目前 AI 在圖像理解方面仍存在一定的局限性。

有趣的是，有網友發現，透過多次嘗試並給予提示，部分大模型能夠逐漸修正答案。例如，在使用 o3 進行測試時，在前兩次嘗試中給予一些小提示，即使答案仍然錯誤，但在第三次嘗試時，即使沒有提示，也能夠得到正確的結果。

有網友認為，這可能是由於 ChatGPT 的長期記憶功能，讓它記住了前兩次嘗試的提示，並將這些經驗整合在一起。換句話說，o3 似乎能夠透過記憶來學習。這也意味著，這道難題可能會成為未來 AI 的訓練資料，幫助它們更好地理解圖像和空間幾何。

這要視幾個研究與技術進展方向：

整合 3D 模擬器與 LLM 的混合架構
一旦模型能與三維引擎（如物理模擬器、3D圖形庫）深度整合，讓模型在內部產生圖形推理模組，我們才可能看到像「補全立方體」這類問題被正確處理。
專門訓練空間理解任務的子模型
未來可能出現針對空間幾何或物理理解微調過的基礎模型（foundation models），這類模型若能跟通用LLM協作，將是重大突破。
未來 1~2 年內可望進展
隨著 AI 模型朝向多模態、代理架構邁進（例如能控制 3D 環境的 Agent），空間理解將是最先被強化的領域之一。保守估計，在 2025 年底前，應該會有專精此類能力的模型推出。