AI能画迷宫解皇后，却还不会像人一样规划

当你盯着一张3×3的迷宫图，不用开口，脑子里瞬间就能勾画出从起点到终点的路径——这是人类与生俱来的视觉规划本能。但对现在的AI来说，哪怕是最顶尖的图像编辑模型，在没经过专门训练的情况下，解迷宫的通过率最高也只有5.4%，还常常犯“穿墙”“漏画路径”的低级错误。上海交大和北京通用人工智能研究院的一项新研究，把AI的这种“视觉短板”摆到了台面上：他们让AI直接在图像上完成规划任务，不用转成文本，不用分步推理，结果发现，AI确实能“画”出答案，但离真正的“规划”还差着好几段认知距离。

从“转文本”到“直接画”：AI视觉规划的新试验

过去，AI解迷宫、摆皇后这类问题，得先把图像转成文本描述，再让大语言模型推理，相当于“用嘴思考”。这次研究团队反其道而行之，提出了“编辑即推理（EAR）”的思路：直接让图像编辑模型把迷宫原图，一步改成走完的路径图；把空棋盘，一步改成符合规则的皇后布局。

为了公平测试，他们搭建了AMAZE基准——2800个不同大小、不同几何形状的迷宫，350个不同规模的皇后问题，用“覆盖度”“违规率”“通过率”等硬指标打分。结果让人大跌眼镜：零样本状态下，哪怕是闭源的顶尖模型，迷宫任务的最高通过率也只有5.4%，皇后任务更是大多接近0。有的模型会直接“穿墙”，把迷宫边界当摆设；有的模型画了半截路径就停手，根本到不了终点。

但当研究人员用最简单的3×3迷宫和4×4棋盘对模型做微调后，变化出现了：以扩散式模型Bagel为例，迷宫任务的通过率从0涨到了11.54%，皇后任务也达到了14.57%，比自回归模型的提升幅度高出一大截。

扩散模型的秘密：先搭骨架，再填细节

为什么扩散式模型比自回归模型更擅长视觉规划？这得从它们的生成逻辑说起。

你可以把扩散模型想象成“从模糊到清晰画画”：它先在满是噪声的图里，慢慢勾勒出全局的大致结构——比如迷宫里一条模糊的路径，棋盘上几个大概的落子点，然后再一步步去掉噪声，把细节补全，同时修正错误的分支。这个“先搭骨架，再填细节”的过程，刚好契合人类视觉规划的思路，天生擅长维护全局的空间一致性。

而自回归模型是“一笔一笔描”，像写字一样从左到右、从上到下生成像素，很容易陷入局部细节，忽略整体布局。比如画迷宫时，它可能画着画着就忘了起点在哪，最后画出的路径根本不连通。

研究人员还可视化了扩散模型的生成过程：在迷宫任务里，正确路径早在去噪的前几步就以模糊形态出现，随着步骤推进逐渐清晰；皇后任务里，模型会先画一个粗糙的全局布局，再逐个调整落子位置。这种差异也对应了任务的本质：迷宫是“走一步看一步”的顺序规划，皇后是“全局统筹”的组合规划，而扩散模型在后者上的表现，明显还不够成熟。

比不过人类的核心：不会“边想边改”

为了看清AI和人类的差距，研究团队让微调后的Bagel和不同年龄段的人类做了对比。规则很公平：人类不能擦改，要像AI一样一次画完答案。

结果很有意思：在迷宫任务上，AI的表现和12岁孩子差不多；但在皇后任务上，它只相当于6岁孩子的水平。更关键的是，人类的成功率会随着思考时间变长显著提升，而AI就算给更多时间，提升也微乎其微——它不会像人类一样“边想边改”，只是在固定的能力边界里重复尝试。

AI的失败案例也很集中：要么是违反规则，比如迷宫穿墙、皇后同列；要么是只完成一半，比如画了半截迷宫路径，或者只放对了几个皇后。这说明AI还没学会“全局协调”，它能处理局部的视觉逻辑，但一旦涉及跨区域的约束，就容易顾此失彼。

这项研究最有价值的地方，不是证明了AI能解迷宫，而是把“视觉规划”从多模态理解里单独拎了出来——原来AI能“看懂”图像，和能“在图像里思考”，完全是两回事。

现在的AI，就像一个只会照着画的学生，能临摹出正确答案，但未必理解答案背后的逻辑。它能学会走见过的迷宫，却未必能应对没见过的新布局；能摆好固定规模的皇后，却未必能理解“全局不冲突”的核心约束。

**视觉规划的本质，是在空间里做决策。**人类靠直觉就能完成的事，AI还要走很长的路——这条路不是靠更大的模型、更多的数据就能走完的，而是要让AI真正学会“用眼睛思考”。