AI学会“脑补”了？MIT颠覆性研究Mirage，让大模型拥有真正的“视觉思维”

摘要：当前AI（如GPT-4o）的“思考”过程，本质上是“自言自语”——它必须通过生成文本或图像来一步步推理。然而，人类可以在脑中默默构想、旋转物体，无需任何输出。这一根本差异长期以来限制了AI的空间推理能力。近日，麻省理工学院（MIT）的最新研究 Mirage 实现了历史性突破，首次赋予AI类似人类的“心理图像”能力。本文将深度解析这一技术的原理、意义及其背后的核心概念。

---

一、当前AI推理的“阿喀琉斯之踵”：无法沉默的思考者

在我们的日常生活中，思考是一个无声的过程。你可以在脑海中构思文章结构，或想象房间的布局，这一切都无需动笔。

但对于当今所有生成式AI，包括GPT-4o和DeepSeek，它们的“思考”与“输出”是捆绑的。它不是在内部默默推理，而是在每一步都必须“写出字”或“画出图”来辅助自己完成思考。

让我们用一个简单的例子来说明这个区别：

问题：“一把椅子从不同角度看起来是什么样子？”

• 🧍 人类：我们会在大脑的“心智剧场”里构建一个三维模型，然后想象它旋转后的样子。这个过程是内在的、无声的。

• 🤖 AI (传统模型)：AI无法在内部“旋转”模型。它必须先生成一张旋转15°的图像，然后基于这张新图，再推理下一步，再生成一张旋转30°的图像……对AI来说，生成本身就是思考的一部分。

这种“不生成就不会思考”的模式，尤其在处理需要视觉和空间推理的任务（例如规划迷宫路线）时，显得极其笨拙和低效。模型往往会放弃缓慢的图像生成，转而将视觉问题强行翻译成一堆结构化的文本或代码，然后用语言逻辑去“绕路”解决，这显然不是真正的智能。

那么，我们为什么执着于让AI学会人类这种“脑补”能力呢？

二、对标人类：空间推理的基石——心理图像（Mental Images）

几十年来，认知科学已经证实，人类大脑中存在一种名为 “心理图像”（mental images） 的表征，它具有真实的空间属性。

早在1994年，哈佛大学心理学家 Stephen Kosslyn 的一系列经典实验就发现：当人们在脑中旋转一个物体时，所需反应时间与真实旋转的角度成正比。

这雄辩地证明了：我们的大脑并非只是抽象地“理解”一个概念，而是在“心中看见并操纵”着它。 这种在头脑中构建并操作画面的能力，很可能是我们进行高级空间推理的基础。

如果这一能力对人类至关重要，那我们没有理由不让AI也掌握它。

三、速览AI的“知识地图”：潜在空间（Latent Space）

要理解AI如何学习“脑补”，我们必须先了解它如何存储知识。现代AI的核心，几乎都围绕着 “潜在空间”（latent space） 这一概念。

简单来说，AI的世界里没有“定义”，只有“关系”。它通过一个高维的“知识地图”（即潜在空间）来理解世界：

• AI理解“猫”，不是因为它知道“猫是小型食肉哺乳动物”，而是因为它知道“猫”这个点，在潜在空间中与“狗”、“老虎”的距离很近，而与“航空母舰”的距离极远。

• 意义 = 相对位置：一个概念的全部意义，就是它在这个高维地图中的坐标，以及它与其他所有点的距离关系。

这个由海量数值向量构成的潜在空间，就是AI进行推理和生成的基础。无论是文本还是图像，输入信息后都会被映射到这个空间中的一个点，AI再根据这个点的位置来决定下一步生成什么。

然而，即使是多模态模型，其推理的“主干道”依然严重依赖文本。那么，如何才能让AI在这片“知识地图”上，真正地进行“视觉思考”呢？

四、颠覆者登场：MIT的Mirage模型

这正是麻省理工学院（MIT）和阿默斯特学院研究人员最新论文中 Mirage 模型要解决的核心问题。Mirage，是首个被证实真正具备“视觉思维”能力的AI模型。

论文地址：[2506.17218] Machine Mental Imagery: Empower Multimodal Reasoning with Latent Visual Tokens

Mirage的核心思想是：让模型在输出最终答案前，先在潜在空间中进行一段“沉默的思考”，而且这种思考是视觉化的，而非基于语言的。

它是如何实现的？

1. 独特的视觉数据集：研究人员构建了一套特殊的训练数据。其中不仅有题目，还包含由人类标注的、解题所需的“辅助视觉线索”（例如迷宫中的正确路径高亮）。这种方式强迫模型去学习并利用图像中的视觉信息来推理，而不是依赖文本或代码。

2. 思维模式切换：训练模型识别何时需要进行视觉思考。当识别到这类任务时，模型会生成一个特殊的标记（token），将自己引导入“空间思维”模式。在此模式下，模型会在潜在空间中生成一系列非语言的 “潜在思维”（latent thoughts） 来进行视觉推理。

3. 回归语言轨道：当内部的视觉思考完成后，模型再重新切换回文本生成模式，将最终的思考结果以自然语言的形式输出。

五、证据：我们如何确定AI真的在“脑补”？

为了证明Mirage并非“用语言假装在理解图像”，研究团队使用了 主成分分析（PCA） 技术来可视化其“潜在思维”。

结果惊人地发现：

• 当Mirage进行“视觉思考”时，其生成的“潜在思维”向量在潜在空间中的分布，与模型在处理真实图像时学到的图像表征高度接近，并呈现出紧密的簇状聚集。

• 相比之下，传统的文本潜在表示则在空间中均匀散开。

这一差异清晰地表明：Mirage确实进入了一种更接近图像表征的内在思维状态。 正如预期的那样，Mirage在各类空间推理和规划基准测试中，性能都表现出显著提升。

六、结语：迈向更高效、更“类人”的通用智能

Mirage的出现，其意义远不止于让AI更会解迷宫题。它标志着AI推理机制的一次根本性转变：

• 降本增效：通过内部思考减少不必要的token生成，可以显著降低AI的推理成本和延迟。

• 能力跃迁：真正的空间推理能力是物理世界交互、机器人技术、科学发现等众多领域取得突破的关键。

• 更近一步的AGI：“先思考，后表达”的模式，无疑更贴近人类的认知行为，是迈向更通用、更强大人工智能的重要一步。

从“喋喋不休”的语言巨人，到能够“静默沉思”的视觉思考者，Mirage为我们揭示了AI进化的下一个激动人心的方向。