Import AI 479：大型語言模型難應即時任務，Metis 探索符號與神經融合，Google 發表 Genie 4

歡迎來到 Import AI，一份關於 AI 研究的電子報。Import AI 仰賴 arXiv、咖啡和讀者的回饋運作。如果您想支持我們，請訂閱。

大型語言模型在低延遲任務中表現不佳：Realtime-Bench 顯示，AI 系統要能玩遊戲或為您進行線上拍賣還需要一段時間。研究人員建立了 Realtime-Bench，一套「精心策劃的動態任務套件，其中延遲的動作會直接影響成功率」。這項測試有助於評估現代通用 AI 系統在需要即時決策的任務中表現如何。

該基準測試包含 50 個互動式遊戲和網路任務，分為 30 個網路任務（涵蓋旅遊、電子商務、服務和安全四個類別）和 20 個遊戲任務（街機、益智、策略和模擬）。

研究人員：此基準測試由德州大學奧斯汀分校、俄亥俄州立大學、伊利諾大學香檳分校、NVIDIA、西北大學和 Steadyworks 的人員共同建立。

測量內容：該測試旨在探測三種品質：時間狀態感知（「RT-Perceive」），模型可利用觀察來追蹤世界的變化；自適應推敲（「RT-Deliberate」），模型根據可用時間調整其推理長度和深度；以及時間感知動作選擇（「RT-Act」），模型需要根據情況適時採取行動。

例如，代理人購買機票時，必須追蹤銷售狀態並評估觀察到的可用性是否仍然有效（RT-Perceive），在購買窗口即將關閉時限制進一步的推敲（RT-Deliberate），並在等待銷售開始和在機票仍有供應時購買之間做出選擇（RT-Act）。他們有三種不同的條件：實際時鐘，旨在測試真實世界延遲下的性能；暫停時鐘，允許任意暫停以了解基準能力；以及代幣時鐘，它「以每個生成代幣的固定速率推進環境。

動作在提交時達到的模擬時間應用，因此消耗更多代幣會延遲執行，無論實際推理延遲如何」。

模型表現如何？作者測試了來自 OpenAI（GPT-6-Astra、GPT-5.6 Sol、GPT-Realtime-2、OpenAI Decisions）、Anthropic（Claude Fable 5.1、Claude Opus 5）、Google（Gemini 3.8 Flash、Gemini 3.1 Flash Live、Gemini 3.8 Live）、Jev 1.13，以及來自 Deepseek（V4.1）和 Moonshot AI（Kimi-K3）的中國模型。

在「實際時鐘」評估設定中，GPT-6 Astra（高）獲得最高的通過率，達到 36%。相比之下，在暫停時鐘下，具有高推理能力的模型成功率接近 70% 甚至 80%。

為何這很重要：這個基準測試能有效預測 AI 代理人將在哪裡失效，低分表明 AI 代理人目前還無法勝任這些任務。

查看排行榜：Realtime-Bench（官方網站）。

閱讀論文：Realtime-Bench: Can Frontier Models Solve Real-time Interactive Problems? (arXiv)。

***

美國國防情報局提供的太空戰未來：反衛星技術、太空核武等等。在 AI 領域工作壓力很大，所以有時為了放鬆，我喜歡閱讀其他主題，了解其他地方的恐怖。我對憂鬱症也採取同樣的方法，如果我感到悲傷，我會嘗試聽比我更悲傷的人的音樂，試圖讓自己振作起來（例如 Radiohead、Neil Young，以及在非常黑暗的時刻聽 Bill Callahan / Smog 等）。

因此，我最近閱讀了美國國防情報局的《太空安全挑戰》報告。

太空發生了什麼：如同地球上的衝突，太空也由美國與中國、俄羅斯、伊朗和北韓之間的衝突所定義，其中中國在技術上最為先進，而俄羅斯似乎最為好戰。

美國國防情報局寫道：「中國和俄羅斯正在發展一系列強大的進攻能力，以降低或摧毀其他國家的太空服務，從動能破壞到複雜的干擾和網路行動。」「過去十年，中國每年發射的太空載具數量增加了兩倍多，2016 年為 22 次，2025 年為 93 次。北京認為太空對美國及其盟友的行動至關重要。北京也將太空視為一個進攻性軍事領域，這已塑造了解放軍軍事規劃和戰役的組成部分。」

太空戰：閱讀這份超過 100 頁的報告，您會感受到太空中有大量醜陋、令人恐懼的事情正在發生，或者地面上的事物正在對太空中的事物造成影響。一些例子包括：

「到 2020 年代末，中國可能會部署太空定向能量系統和更高功率的地面定向能量系統，能夠威脅更高軌道的衛星。」

「中國正在開發太空技術，包括軌道上反太空武器，能夠威脅太空系統。」

「俄羅斯的 Peresvet 是一種地面雷射系統，旨在眩惑敵方衛星的光學系統，以掩蓋俄羅斯戰略飛彈系統的移動。」

「俄羅斯在過去幾年發射了幾顆衛星，這些衛星在軌道上進行了技術測試，這些技術可能使攻擊其他國家的衛星成為可能，並導致暫時或永久性損壞。」

中國有幾架太空飛機，類似於美國高度機密的 X-37B 飛行器，而且它們似乎越來越複雜。2023 年，中國上述的一架飛行器「釋放並與一個物體進行了互動」。

衛星對衛星的戰鬥：報告中清楚表明，我們正處於一個敵對國家擁有衛星，並試圖上升干擾其他國家衛星的世界。

美國國防情報局寫道：「2019 年，俄羅斯發射了 Cosmos 2542 衛星，該衛星隨後釋放了第二顆衛星 Cosmos 2543。Cosmos 2543 隨後開始跟蹤一顆美國國家安全衛星，並多次以足夠近的距離接近它，可能造成危險的操作條件。」

「俄羅斯正在開發動能軌道系統，以永久禁用或『殺死』衛星。莫斯科的 Burevestnik 是一種正在開發中的共軌空射反衛星武器，用於殺死低地球軌道上的太空飛行器。」

「2022 年 2 月，俄羅斯發射了一顆名為 Cosmos 的衛星，莫斯科當時聲稱該衛星正在測試太空輻射對電子系統的影響。這顆衛星被發射到一個不尋常且孤立的軌道，沒有其他太空飛行器使用。」

太空核武：俄羅斯正在太空試驗核武。「太空中的核爆炸會產生電磁脈衝，這將立即影響範圍內的衛星，並可能影響民用基礎設施。」美國國防情報局寫道：「太空中的核爆炸可以調整以影響大多數軌道上的衛星，包括用於商業和偵察衛星的低地球軌道、用於關鍵通訊的地球同步軌道，以及用於導航和計時衛星的中地球軌道。」

為何這很重要：AI 權力鬥爭下一階段的基礎設施。隨著人們投入更多資源建造太空資料中心（最終可能還有月球資料中心），太空將變得更具戰略和商業價值，也更具爭議性。這類研究讓我們了解已經在太空和未來將會出現的硬體。或許在遙遠的未來，AI 也可能試圖控制這些太空資產。

閱讀更多：DIA 發布《太空安全挑戰》（美國國防情報局，新聞稿）。

閱讀報告：《太空安全挑戰》（DIA，PDF）。

***

Metis：一家試圖融合符號與神經推理的新創公司。邁向像瓦肯人一樣的機器心智。Metis 是一家旨在建立新穎 AI 架構、專注於開發具有更好推理能力的機器的新創公司，他們發表了一篇研究論文，闡述了其研究方法。高層次的總結很簡單，Metis 希望為現代開放領域問題，做到 DeepMind 透過其在 AlphaGo 和 AlphaGo Zero 上的工作為封閉領域問題（如棋盤遊戲）所做的事情。

他們想做什麼：這裡的關鍵思想是為現代 AI 架構添加一個比我們今天擁有的更可靠的推理核心。他們寫道：「在現代 AI 架構中，使 AlphaGo 成為成功推理系統的大部分其他周邊機制仍然是隱含的或缺失的。」「第一個缺失的元素是明確且持久的認知狀態，第二個缺失的元素是允許系統選擇能朝目標推進的推理步驟的標準。」

這更像是一篇立場論文而非技術論文，因此他們沒有提供太多細節。主要思想是根據真實世界資料收集來訓練推理策略和價值函數，然後用它來引導系統進行推理，以降低長期不確定性，並將這些建立在由關於世界的主張或假設組成的基本資料核心之上。他們寫道：「對主張證據狀態的任何改變都必須得到證據的許可，或通過明確的計算驗證，並經由獨立判斷系統批准。」

「模型生成的內容不能僅僅因為看似合理就進入已接受的認知狀態；它必須通過授權評估，這會降低幻覺。證據來源可以直接附加到它們所支持的命題上，提供清晰的來源鏈。推理過程變得可明確審計。」

為何這很重要：建立可靠且深度非人性的基底。這裡描述的架構等思想之所以引人入勝，不僅因為它們為提高 AI 系統的可靠性帶來希望，還因為它們是如此深度非人性：人類並非從原始的事實基礎進行推理，而是一個由記憶、直覺和一些規則組成的混亂團塊（其中一些是從經驗中學習的，另一些則更像是柏拉圖式的邏輯推理形式）。從這個角度來看，當代大型語言模型比這裡描述的系統更像人類。

Metis 寫道：「雖然 AI 的歷史可以被理解為符號方法和神經方法之間的競爭，但將其視為兩個不完整成功的故事可能更具建設性。」「經典系統使推理過程的某些方面變得明確，但依賴於主要由手工提供的表示、操作符、啟發式和知識。當代大型語言模型學習了非凡的語義操作和大量的隱性知識，但卻將推理的組織、評估和累積隱含起來。」

這裡描述的 AI 系統將以與人類思維截然不同的方式「思考」，這樣的系統可能會讓我們更多地了解我們自己的智慧與機器智慧之間的差異。

閱讀更多：推理時代（Metis，PDF）。

***

Google 召喚 Genie 4 以實現更好的世界模型：Google 最有趣的專案之一持續進行！Google DeepMind 發表了 Genie 4 的詳細資訊，這是其 Genie 世界模型的最新迭代。該公司目前正在逐步開放 Genie 4 的存取權限。