婴儿会而 AI 不会的事：从纯观察中归纳理论

——S5 收官篇：当基准测试直面"理解"的定义

论文：BabyTheorist: Benchmarking Observational Theory Learning
作者：D. Baek, J. Baek, M. Jo 等 7 人（arXiv:2611.08177，2026-11，cs.AI）

一、理解的定义问题

怎么知道一台机器真的理解了世界？现有视觉推理基准的通行做法是考几道少样本谜题——给几个示例，考新题目。这测的是应用规则的能力：规则已经摆在眼前，看你能不能套用。

但发展心理学早就指出，人类智能真正的奇迹在上游：婴儿没有任何老师、没有标签、没有演示，仅靠观看世界的前后变化，就归纳出了"物体恒存""重力""因果"这样的可复用理论——然后拿这些理论去应付从未见过的情境。这个能力，论文称为观察性理论学习（observational theory learning）：从纯观察中获取可复用的理论，并迁移到新场景。

它和应用能力的差别，是"背下例题"与"发明定理"的差别。这篇论文造了一台测量这种差别的机器。

二、基准的设计：一台"理论压力计"

BabyTheorist 的考题是一连串 15×15 网格画面的前后变化：每对"前图→后图"由一个隐藏的组合程序生成，程序形如 step(选择器, 原语)——14 个原语分三族（变换：旋转/翻转/填色；移动：按物体自身尺寸平移；关系：换色/对齐），配上一族选择器（全部/按颜色/按位置……）。

关键设计有三层。第一层：纯观察。 学习者只看到画面的前后变化——"没有程序标签、没有任务身份、没有支持集"——理论只能从原始观察流里榨出来。第二层：课程。 八个难度级别，程序深度逐级加深，每级 25 万条观察，通过率 ≥80% 才能晋级。第三层，也是最锋利的一层：级跳（level skipping）——每级开课前先做入学考试，过了就跳过该级全部训练数据直接升级。级跳考的正是理论的"可复用性"：你的理论是真的规律，还是过拟合的肌肉记忆？

三、判决：七个基线，全部卡死在前两级

七个代表性基线登场，覆盖三大流派：隐式派（自回归 Transformer、两个前沿大模型）、整体潜变量派（连续/离散世界模型及其变体）、组合派（从习得码本中推断离散原语序列的 NEO）。满分 800。结果一句话：

七个基线全部在八级课程的前两级内熄火，且差距随课程推进继续拉大。

最扎眼的数据点是前沿大模型：GPT-5.6 Sol 在第一级只拿到 51–64%，够不到 80% 的晋级线。最强的 NEO（≈137 分）也只走到第两级附近。而在"多物体"模式下，所有学习型基线连第一级都通不过。

但论文埋了一个决定性的对照：给一个 PPO 智能体直接喂真值 DSL，它能通吃全部八个单物体级别。结论水落石出——瓶颈不在应用理论，而在获取理论。规则一旦给出，现有方法都会用；从无标注观察里把规则抠出来，是当前所有路线的共同断点。

四、为什么这么难：三堵墙

第一堵墙：无监督归纳的搜索爆炸。 理论学习本质是在程序空间里做归纳——没有标签意味着没有梯度信号指路，组合空间指数增长，盲搜必死。

第二堵墙：潜变量的胶水化。 整体潜变量模型把"变化"压进一个连续向量——它记住了这一帧到下一帧的位移，却提取不出可命名、可重组的操作。观察流里那些反复出现的子程序（"先选中红色物体，再向右移一格"——带着物体占位符的模板），在胶水般的潜空间里无迹可寻。

第三堵墙：大模型的模仿惯性。 隐式模型擅长的是延续统计规律（预测下一帧像什么），而理论学习的动作是压缩——把万千观察折叠成几条算子。模仿与压缩，方向相反。

五、收官：数学是人类已有的答案

S5 这一带的九篇文章讲了一圈"数学底座"：不可能性证明（Ising）、复杂度边界（玻色采样）、谱动力学（LoRA）、测度深渊（共形预测）、对称群（李）、拓扑阈值（量子存储）、测量论（整合信息）……它们的共同底色，是理论——把无数现象压缩成几条可复用的定律。

而 BabyTheorist 恰好把这层底色变成了考题本身：机器能不能做人类专家每天在做的事——从观察流里榨出可复用的结构？目前的答案是否定的，且差距随复杂度指数拉大。这为整季画上一个诚实的句点：我们造出了会应用理论的机器，但"发明理论"的机器，还停在第一级台阶上。

三百多年前，牛顿从纷乱的行星观察里压榨出三条定律，人类第一次看到"理论"这种东西的威力。BabyTheorist 说：让机器重走一遍牛顿之路，今天还做不到。下一次智能的跃迁，也许就藏在这条路的某个路标上。

延伸阅读

1. Baek et al., BabyTheorist: Benchmarking Observational Theory Learning from Pure Visual Transitions, arXiv:2611.08177（2026）
2. Chollet, On the Measure of Intelligence（2019，ARC 与"应用vs获取"之辨的先声）
3. Piaget, The Construction of Reality in the Child（发展心理学的经典起点）
4. Lake, Ullman, Tenenbaum, Gershman, Building machines that learn and think like people（2017）

本文系"智柴·数学底座与前沿交叉"第五季第 10 篇（S5-Round 10，收官篇）。