斯坦福大学NeuroAI实验室的研究团队近期在人工智能领域取得突破性进展，其开发的“概率结构整合”（PSI）系统通过模仿人类认知模式，实现了对物理世界的多维度理解与预测。这项发表于arXiv平台的研究（编号arXiv:2509.09737v1）表明，该系统能够像人类一样同时处理空间关系、运动轨迹和场景逻辑，而非传统AI仅能完成的单一任务。
研究以日常场景为例：当人类观察滚动的球时，不仅能定位当前位置，还能预判其运动路径、空间层次及与其他物体的相互作用。这种综合认知能力正是现有AI系统的短板。传统模型往往局限于图像识别或内容生成，难以构建对场景的完整理解。斯坦福团队通过构建具备“工具箱”功能的系统，使机器既能感知当下，也能预测未来，并从中提炼世界运行的底层规律。
PSI系统的核心在于三阶段循环机制：首先通过“概率预测”模拟多种可能结果，如同学者观察事件并推演不同条件下的发展；其次进行“结构提取”，从预测中挖掘物体运动模式、空间关联等深层规律；最后通过“整合”将新发现的知识融入系统，形成更精准的认知框架。研究团队利用1.4万亿个视频片段训练该系统，使其不仅能预测视频后续内容，还能提取光流、深度信息等计算机视觉关键指标。
在预测能力方面，PSI系统突破了传统模型的确定性局限。其采用的“局部随机访问序列建模”技术允许从任意位置开始处理信息，并根据已有部分推测缺失内容。例如，面对静止图片时，系统可生成多种动态发展方案；输入视频前几帧后，能预测符合物理规律的后续画面。更关键的是，系统具备“不确定性管理”能力，当预测置信度不足时会主动反馈，这种“诚实”特性反而提升了可靠性。
结构提取环节展现了系统的推理智慧。通过“假设-验证”机制，PSI能发现隐藏的视觉规律。以光流计算为例，系统在图像中放置虚拟“示踪剂”，通过对比有无示踪剂的预测结果，精确计算像素运动方向与速度。在物体分割任务中，系统模拟移动图像区域并观察连带变化，从而识别物体边界，无需人工标注数据。深度信息提取则通过模拟相机微小位移，根据画面变化程度推断物体远近，准确率达国际领先水平。
系统的自我进化机制是其最大创新。通过将提取的结构信息转化为新“词汇”，并与原始图像数据融合，系统构建了更丰富的“知识语言”。这种整合使控制精度显著提升——从依赖像素调整转向直接指定运动向量，生成结果更符合用户意图。同时，系统在提取结构信息时效率更高，且衍生出计算“运动概率”等新能力，例如判断静止画面中哪些物体可能开始运动，这对机器人预判环境变化具有重要价值。
实际应用场景验证了PSI系统的实用性。在视频编辑领域，系统能理解保龄球与球瓶的物理关系，当用户调整球轨迹时，自动重新计算碰撞效果并生成符合物理规律的新场景。机器人应用中，系统通过单张图片即可识别环境中可移动与固定物体，帮助制定安全操作策略。在“视觉叠叠乐”任务中，系统通过模拟移除不同物体后的场景变化，准确判断结构稳定性。新视角生成任务则展示了系统的三维理解能力，能根据单一视角生成合理的新角度图像，正确处理遮挡与深度关系。
技术层面，PSI系统实现了多重创新。其统一性架构打破了“专用工具”模式，用单一机制处理多种视觉任务；序列建模的灵活性允许任意顺序处理信息，提升效率与准确性；概率建模在面对不确定性时提供多种可能性及概率，增强实际应用可靠性；零样本学习能力使系统无需专门训练即可完成新任务；循环改进机制则确保系统持续自我优化。
尽管潜力巨大，PSI系统仍面临挑战。训练所需的庞大计算资源限制了普及速度，但硬件发展与算法优化有望缓解这一问题。结构发现的自动化程度需提升，目前系统主要提取预设结构类型，未来需实现自主发现新规律。长期记忆机制的缺失限制了处理长时间序列的能力，而语义类别整合的不足则影响了高级概念处理。不过，该系统的方法论具备跨领域应用潜力，理论上可扩展至音频、文本等数据类型。
问答环节中，研究人员解释了PSI系统的核心优势：通过预测-提取-整合的循环，系统不仅能“看到”世界，更能“理解”运行规律并持续学习。与传统AI需为不同任务训练独立模型不同，PSI的统一机制和自我进化能力代表了AI发展的重要方向。尽管目前主要应用于视觉领域，但其学习机制可能对整个人工智能领域产生深远影响，推动技术向更接近人类智能的方向发展。
