想象一下你是一名正在试图破解谜题的侦探，但你观察的不是犯罪现场，而是一个繁忙的城市街道、一个拥挤的主题公园，或者一块微小的电路板。长期以来，计算机科学家一直试图通过仅凭书面报告来教机器人成为优秀的侦探。他们会递给机器人一段描述，比如“一个有很多人在奔跑的繁忙公园”，然后机器人会尝试猜测那里可以开展什么样的业务。但问题在于：书面描述就像是一张模糊的黑白素描。它遗漏了天空的颜色、人群的混乱旋涡，或是某种材料的具体质感。在现实世界中，最重要的线索往往是那些你可以“看到”却难以用言语“表达”的东西。这篇论文深入探讨了人工智能中一个令人兴奋的领域：计算机如何通过结合观察图像和阅读文本来构思新的商业创意，从而超越仅仅阅读事实列表的阶段。

这项研究背后的研究人员（MBA）意识到，尽管 AI 在写作方面变得越来越好，但在“观察”商业机会方面仍然有些笨拙。他们构建了一个庞大的训练场，名为 MBA-Bench，它就像一个包含 3 万张真实世界快照的巨型图书馆。每一张快照不仅仅是一张照片，它更是一个完整的拼图碎片，包含了图像、描述、一个特定的商业问题（例如“我们如何在这里节省成本？”）以及真实的现实市场数据。他们测试了他们的新型 AI 智能体——MBA-b 和 MBA-k ——并将其与仅依赖文本描述的旧模型进行了对比。结果具有划时代的意义：通过让 AI 真正地“观察”图片，新的智能体生成的商业创意显著更具创意且更具实用性。事实上，它们的表现大幅领先于纯文本模型——有时甚至超过了 7-0%，甚至让一些最昂贵的“闭源”超级计算机也感到压力。

问题所在：一位“盲目”的商业顾问

想象一下，你聘请了一位商业顾问来帮助你创办一家公司。如果你只给他们一张写着“那里有一群人”的便条，他们可能会建议开一个普通的柠檬水摊。但如果你向他们展示那群人的照片，他们可能会注意到每个人都穿着厚重的冬装，瑟瑟发抖，并且正盯着一个关闭的、结冰的喷泉。突然间，想法改变了：也许一个热巧克力车或一个加热遮蔽处才是真正的赢家。

这正是这篇论文所解决的差距。之前的 AI 系统就像那位盲目的顾问。它们依赖于“说明文字”（captations）——即图像的文本描述。但正如作者发现的那样，说明文字很难捕捉到现实世界中混乱且复杂的细节。一段说明可能会说“人群”，但它会错过人群的“密度”、人们行进的“方向”或是某种材料的“奇特纹理”。论文指出，如果你想产生真正创新的商业想法，你不能仅仅阅读菜单；你必须亲眼看到厨房。

解决方案：一个新的训练场和两个新的智能体

为了解决这个问题，团队构建了 MBA-Bench。可以将它想象成一个专门为训练商业 AI 而设计的、大规模的高科技游戏关卡。他们并没有随机抓取图片，而是精心策划了 2,000 张分布在六个特定“世界”或领域中的图像，在这些领域中视觉细节至关重要：

1. 通用场景 (General)： 日常场景，如公园或办公室。
2. 空间布局 (Spatial Layout)： 拥挤的移动应用屏幕，其中按钮的位置至关重要。
3. 拥挤程度 (Crowding)： 人群大量移动的场景。
4. 视觉状况 (Visual Condition)： 展示微小缺陷或表面瑕疵的图像。
5. 形状与纹理 (Shape & Texture)： 羊毛或织物等材料的特写。
6. 技术特征 (Technical Features)： 电路板和电线的详细照片。

对于每张图像，他们不仅仅写了一段说明。他们使用了一种聪明的 AI（GPT-4o）来充当市场研究员。它观察图片，向互联网寻求真实数据（使用名为 DuckDuckGo 的搜索引擎），然后针对三个不同的商业角度生成五个“参考创意”：节省成本、利用新技术或改善用户体验。这创造了一个包含 30,000 个高质量示例的数据集，供 AI 学习。

随后，他们构建了两个特殊的 AI 智能体来参与这场“游戏”：

• MBA-b（盲目智能体）： 该智能体针对不知道确切评分标准的场景进行训练。它专注于两个大目标：创意性（想法是否新颖且与众不同？）和可行性（是否真的可行且基于现实？）。
• MBA-k（已知智能体）： 该智能体在知道自己将被依据哪些具体标准进行评判时进行训练。它针对八个不同的指标进行优化，除了上述两个指标外，还包括六个具体的商业维度，如“竞争优势”和“市场规模”。

他们是如何学习的：“教练”与“裁判”

训练过程有点像一支体育队伍在为奥运会做准备。首先，他们使用了一种称为 SFT（监督微调） 的方法。想象一下，教练向球员（AI）展示一段完美动作的视频（参考创意），并说：“完全照着这个做。”AI 通过模仿这些动作进行练习，直到掌握了基础知识。

但仅仅模仿不足以实现真正的创新。因此，他们进入了第二阶段：GRPO（群体相对策略优化）。这是最有趣的部分。AI 不再只是模仿，而是被要求同时生成一组四个不同的想法。然后，一个“裁判”（一个非常聪明的 AI）会观察所有四个想法，并根据彼此进行排名。如果一个想法比其他想法更具创意或更具现实意义，它就会获得“奖励”。AI 学习调整自己的策略以获得更多奖励，这本质上是在教它如何在不需要人类对每个答案进行评分的情况下，学会变得更有创意且更具实践性。

结果：眼见为实

当团队对这些新智能体进行测试时，结果显而易见。那些“仅限文本”的模型（即只能阅读说明文字的模型）表现得很挣扎，尤其是在“拥挤程度”或“技术特征”等复杂领域。它们错过了让商业想法变得可行的视觉线索。

多模态模型（那些能够看到图像的模型）表现得更好，但作者的新智能体 MBA-b 和 MBA-k 才是真正的冠军。

• MBA-b 比纯文本基准提升了 63.9%，比多模态基准提升了 25.6%。
• MBA-k 表现得更为强劲，比纯文本基准提升了 77.1%，比多模态基准提升了 35.8%。

或许最令人印象深刻的是，MBA-k 的表现几乎可以媲美那些由大型科技公司掌握的、最强大且昂贵的“闭源”模型（如 GPT-5 或 Gemini）。这表明，通过适当的训练和数据，开源模型可以与巨头竞争。

他们尚未解决的问题（以及未来方向）

论文谨慎地指出了一些它们 并未 解决的问题。AI 仍然无法“听见”繁忙街道的噪音或“闻到”面包房的味道；它只能看和读。作者还指出，AI 并不知道“创业者是谁”。一个对亿万富翁来说很棒的想法，对一名大学生来说可能根本无法实现，但目前的系统对所有人一视同仁。

此外，研究表明，虽然 AI 在发现商业机会方面做得越来越好，但与其创意相比，它在“技术有效性”（即技术是否真正可行的细节问题）方面有时仍显吃力。作者建议，未来的工作需要引入视频（以观察运动）和个性化用户画像，从而使这些想法真正具备走向现实世界的条件。

简而言之，这篇论文证明了，如果你想让 AI 成为优秀的商业思考者，你必须让它去“看”世界，而不仅仅是“读”关于世界的内容。通过赋予 AI 眼睛以及一个能将图片与市场数据联系起来的大脑，我们距离实现能够帮助我们构思下一个伟大创意的机器又近了一步。