透過手扶梯上移動的彈簧玩具的物理互動,驗證最新 AI 模型空間感知與物理定律理解能力的最新基準測試結果與啟示。
AI 能理解走樓梯的彈簧玩具(Slinky)嗎?:最新 AI 的物理推理測試
試想一下。將小時候玩過的五顏六色彈簧玩具——彈簧圈(Slinky,具彈性的螺旋狀玩具)放在手扶梯上。手扶梯正往上或往下移動,彈簧圈在其上繃緊、伸縮,以獨特的方式走下階梯或試圖保持形狀。人類在看到這一幕時,腦海中可以輕鬆模擬重力、彈性以及移動階梯等物理變數是如何相互交織運作的。
那麼,當今讓全球驚嘆的最新人工智慧(AI)能準確理解並預測這一現象嗎?最近,AI 業界為了回答這個問題,引入了一項極具創意且嚴格的新測試 [出處 1, 出處 2]。讓我們一起深入探討大型語言模型(LLM,透過學習大量文字數據以像人類一樣寫作和對話的 AI 架構)所面臨的這個獨特考驗的真面目。
為什麼這很重要?
我們日常使用的 AI 聊天機器人對無數的小說、新聞文章、程式碼和百科全書知識瞭如指掌。寫詩或在幾秒鐘內找出複雜的程式錯誤,這些能力現在已經不足為奇了。然而,這樣的 AI 是否真正理解我們所生活的「物理世界」的規律,卻是完全不同的問題。
如果 AI 在書面或螢幕數據上對世界瞭如指掌,卻無法理解現實世界的基本物理定律——例如物品掉落會往下墜,或是彈性物體在移動踏板上如何彈跳的動力學關係——會發生什麼事?在機器人學、自動駕駛或任何需要與物理空間互動的高科技領域中,AI 可能會做出致命的誤判。
新出現的基準(Performance benchmark,客觀比較與評估 AI 系統效能的標準測試基準)「手扶梯上的彈簧玩具」測試正是精準瞄準了這一點。它已成為衡量 AI 是否能超越單純的單詞組合能力、真正推論現實世界物理互動的石蕊試紙 [出處 1, 出處 2]。
輕鬆理解:丟給 AI 的物理拼圖
簡單來說,這項測試並不是要 AI 去解開複雜的物理方程式。就像問小學生在遊樂場溜滑梯時的感受一樣,它是要詢問 AI 是否能直觀地想像看不見的力量與物體的運動是如何交織在一起的。
為了理解這一點,我們可以舉兩個比喻。
第一個比喻是「照片編輯 App 的濾鏡圖層」。當我們在智慧型手機的照片上疊加多個濾鏡時,最上面放置什麼濾鏡,會完全改變下方整張圖片的色調與光影。AI 處理文字的過程也與此類似。單詞堆疊成句子,但在這些句子中,必須運作著重力、摩擦力、彈性等看不見的「物理濾鏡」。然而,傳統的 AI 僅能看到文字中單詞之間的統計連結,從未親身體驗過真實濾鏡對照片產生的光學變化。
第二個比喻是「指示演奏從未見過的樂器」。就像要求一位終身只看樂譜彈鋼琴的音樂家,拿到一項從未見過的打擊樂器,並「說明聲音將如何傳播」一樣。AI 或許曾透過無數的網路文件讀過「彈簧玩具」與「手扶梯」這兩個詞同時出現的句子,但它從未親眼見過這兩個物體相遇時所產生的動態物理現象 [出處 5]。
這項測試是過去流行的「騎單車的鵜鶘(pelican riding on a bicycle)」測試的延伸 [出處 5, 出處 6]。當時人們測試 AI 是否能正確描繪或解釋鳥類踩著單車踏板並保持平衡的情境。這次的彈簧玩具測試在此基礎上更進一步,升級為評估物體間的物理互動(inter-object physics),也就是兩個或多個物體互相施力時所發生的複雜動力學 [出處 5, 出處 6]。
當前狀況:頂級 AI 模型的成績單如何?
那麼當今世上據說最聰明的最新 AI 模型在這個測試中取得了什麼樣的成績呢?
最近在科技界,針對下一代頂級模型「GPT 6 Astra max」與「Claude Fable 5.1 max」進行了一項有趣的比較實驗 [出處 4, 出處 5, 出處 6]。這些都是搭載了全球最先進人工智慧架構(Architecture,作為 AI 骨架的基本結構與設計方式)的模型。
想像一下,讓兩位頂尖名校的首席畢業生參加前所未有高難度的物理術科考試。結果如何?令人驚訝的是,大多數模型在這個測試中失敗了,或是犯下了致命的推理錯誤 [出處 1, 出處 2]。
查看具體的比較內容,部分模型克服了先前版本的弱點並展現出改進,但其他模型反而在特定的物理情境中出現了性能退步(Regression)的現象 [出處 7]。例如,Claude Fable 的部分最新版本在物理推理過程中給出了錯誤答案而表現停滯,而 GPT 系列的 Astra 則修正了部分錯誤,展現出更好的適應力 [出處 7]。然而,專家們一致認為這兩個模型距離完美都還很遠 [出處 7]。人類認為理所當然的微小物理直覺,對於武裝了數兆個參數(Parameter,AI 透過學習調整的類似突觸的連結權重值)的龐大 AI 來說,依然是一座難以跨越的高山。
未來會如何發展?
「手扶梯上的彈簧玩具」測試所展現出的 AI 侷限性,為業界帶來了深刻的震撼。未來人工智慧研究的前進方向非常明確。因為這證明瞭單純靠讓 AI 閱讀更多人類撰寫的文章(Text-only scaling)這種方式,是無法達到真正的智慧的。
在未來幾年間,AI 開發的核心話題將是「與物理世界的結合(Physical Grounding)」。虛擬世界的模擬數據、機械手臂抓取與掉落物品的實際感測器數據,以及複雜的三維空間物理引擎,將深度整合到 LLM 的學習過程中。
我們日常生活中即將面臨的未來 AI 助理將不再侷限於螢幕上的文字回答。智慧家庭機器人整理家中物品,或是自律駕駛車輛完美預測下雪道路上的打滑現象等,它們將進化成徹底理解現實世界物理學的真正夥伴。
AI 的視角
以 MindTickleBytes AI 記者的視角來看,這次的彈簧玩具測試是展現 AI 發展虛實的最優雅鏡子。人類透過走路、跑步和掉落物品等無數的物理經驗自然地理解世界,而 AI 長期以來卻只透過「語言」來學習世界。當 AI 能夠完全理解在手扶梯上糾纏著下落的彈簧玩具的那一天到來時,人工智慧才算真正超越螢幕中的虛擬智慧,蛻變為現實世界的真正夥伴。
參考資料
- A Slinky on an Escalator Is a Weirdly Good Test of LLM Intelligence, https://morethanamachine.com/posts/slinky-escalator-benchmark/
- Slinky Escalator Test Reveals LLM Reasoning Gaps in 2026, https://emergent.sh/news/slinky-escalator-test-reveals-llm-reasoning
- GPT 6 Astra max vs Claude Fable 5.1 max, https://www.linkedin.com/posts/nishaanthreddy_gpt-6-astra-max-vs-claude-fable-51-max-activity-7502036710453739520-ivcs
- Nishaanth Reddy on X: “A Slinky Down an Escalator - GPT 6…”, https://x.com/reddmachine/status/2096392638455026150
- A Slinky Down an Escalator - GPT 6 Astra max vs Claude Fable…, https://kblip.com/social/a-slinky-down-an-escalator-gpt-6-astra-max-vs-claude-fable-eOI5UjK
- I like this extension of the “Slinky on an Escalator” test…, https://www.linkedin.com/posts/nishaanthreddy_i-like-this-extension-of-the-slinky-on-an-activity-7503118055326126080-S7LM
- A Slinky on an Escalator Is a Weirdly Good Test of LLM Intel, https://apicheck.cn/blog/a-slinky-on-an-escalator-is-a-weirdly-good-test-of-llm-intel-api
- 溜溜球
- 彈簧玩具(Slinky)
- 指尖陀螺
- 句子翻譯準確度
- 物體間的物理互動(inter-object physics)
- 語音辨識速度
- GPT 6 Astra max 與 Claude Fable 5.1 max
- GPT 4 與 Claude 3
- Gemini 與 Llama