Visual Reasoning

人工智能中的视觉推理是指模型分析、解读视觉和空间数据，并从中得出逻辑推论的能力。标准的计算机视觉 (CV)系统擅长识别场景中有哪些物体，而视觉推理则更进一步，理解这些物体如何以及为何发生交互。这种能力受到人类视觉推理认知能力的启发，并通过标准的认知心理学测试进行评估，使 AI 模型能够仅基于视觉上下文执行复杂的图像分析、推断空间关系并解决多步骤问题。它是弥合原始感知与可执行智能之间差距的关键组成部分，应用于多模态 AI系统中。

核心概念与“用图像思考”范式#

从历史上看，机器学习模型会先将图像数据转换为文本，再进行逻辑推理。然而，2024 年和 2025 年的最新进展推动了一种模型内在地用图像思考的范式。借助潜在视觉推理，先进的视觉语言模型 (VLMs)可以生成中间视觉表示——类似于人类根据NIH Toolbox 空间参数的定义，将心理地图在脑海中可视化——然后得出结论。

这种方法通常会利用一种称为多模态思维可视化 (MVoT) 的机制。系统不再仅依赖基于文本的思维链，而是可以探索空间可视化推理，以验证几何变化、评估遮挡情况，并跟踪 3D 空间中的连续运动。

视觉推理与相关能力的比较#

区分视觉推理与其他相互重叠的 AI 术语会很有帮助：

• 推理模型： 这是一个更广泛的类别，涵盖了为执行多步骤逻辑推理而设计的模型，通常应用于文本、数学或编程领域。视觉推理将这些演绎原则专门应用于视觉和空间数据。
• 视觉问答 (VQA)： VQA 是一种具体的应用或任务，在该任务中，AI 会针对用户关于图像的提示提供自然语言答案。视觉推理是驱动 VQA 的底层认知能力，使模型能够根据空间上下文推断出正确答案。

实际应用#

动态解读空间上下文的能力正在解锁物理和数字领域中变革性的智能体工作流。

• 机器人与具身智能中的 AI： 自主智能体和机械臂需要复杂的空间智能来应对复杂环境。借助视觉推理，机器人可以推断出易碎物体堆放在重箱子下方，并在很大程度上依赖评估动态物理约束，从而以符合逻辑的方式规划一系列动作，在不造成损坏的情况下取出该物体。
• 医疗诊断中的 AI： 在医学成像中，专业人员使用视觉推理系统来超越基本的异常检测。模型可以评估 3D MRI 扫描，从结构层面推理肿瘤相对于周围器官的生长轨迹，为手术规划提供关键的几何上下文。

为推理流水线实现感知能力#

为了构建有效的推理系统，开发者依赖高速感知模型，从物理世界中提取结构化上下文。Ultralytics YOLO26 充当强大的基础层，快速将像素转换为结构化的边界框坐标和物体类别。随后，这些结构化数据会被输入使用 PyTorch 或 TensorFlow 等框架构建的专用视觉推理引擎，以评估空间逻辑。

如果你正在针对这项任务比较 YOLO26 和 YOLO11，YOLO26 原生的端到端架构可以最大限度地降低推理延迟，因此非常适合实时逻辑流水线。

以下 Python 代码片段演示了如何使用 Ultralytics YOLO26 提取空间坐标，为下游空间推理提供所需的关键感知输入：

from ultralytics import YOLO

# Load the Ultralytics YOLO26 model to act as the perception layer
model = YOLO("yolo26n.pt")

# Run inference to detect objects in a scene
results = model("https://ultralytics.com/images/bus.jpg")

# Extract structured spatial data for the visual reasoning engine
for result in results:
    for box in result.boxes:
        cls_name = model.names[int(box.cls)]
        # xyxy provides exact spatial coordinates (left, top, right, bottom)
        coords = box.xyxy[0].tolist()
        print(f"Object: {cls_name}, Spatial Coordinates: {coords}")

扩展这些复杂的多模态应用需要稳健的基础设施。Ultralytics Platform 提供统一环境，可无缝标注空间智能数据集、在云端训练模型，并部署可靠的边缘感知系统。随着该领域不断发展，迈向更先进的空间任务智能体框架，并得到先进视觉研究的支持，将高精度物体检测与逻辑推理相结合，代表着人工智能的下一个前沿方向。