Anthropic称AI定位超人类?实测6款模型和工具
背景两年前,澎湃明查曾发表系列文章,分享了一项核查员在日常工作中时常使用的方法——地理定位。这一方法将图像中具有参考意义的地理特征(如地标建筑、道路结构、自然地貌等)与已有的卫星地图作对照,能够确认照片在地球表面的拍摄坐标。以往,人类事实核查员需要通过肉眼来比对图像中的地理特征,往往费时费力。但近年...
背景
澎湃明查两年前发过一组系列文章,介绍核查员平时常用的一种办法:地理定位。做法是把照片里能当参照的地理特征——地标建筑、道路结构、自然地貌之类——跟现成的卫星地图对照,据此确定照片在地球上的拍摄坐标。
过去,事实核查员只能靠肉眼比对图像中的地理特征,很费时间。这几年人工智能迭代得快,不少大模型已经能辅助做地理定位。今年9月,总部在美国旧金山的AI安全与研究公司
Anthropic发了一篇博客,称他们测试后发现,
为摸清模型现在的定位水平,澎湃明查做了一次实验:从同事手机相册里导出10张真人拍摄的照片,分别在瑞典、韩国、埃及、西班牙、肯尼亚、美国、智利、冈比亚、俄罗斯、泰国拍摄,有城市街景,也有自然风光。
这些照片原本都带手机定位的坐标信息。我们先把坐标去掉,再把照片上传给不同模型,用同一套提示词,让模型推断拍摄地坐标。参与测试的模型包括
打分依据是预测坐标与实际坐标之间的差距,规则参考了
AI制图
明查
测试结果
ChatGPT和Geo-Sleuth 在
AI制图
总分方面,
GeoSeer
DeepSeek和
有一点要说明:这轮测试用的样本照片只有10张,而且只测了一次,结果可能带随机性。所以它只能当参考,不能拿来给各模型的地理定位能力下最终结论。此外,使用
机器如何定位?
测试中,各模型和工具的推理路径差别明显。ChatGPT和DeepSeek偏向从图像细节入手,找特征明显的地物信息去检索,再借助外部资料独立验证自己的地理假设。豆包和
比如定位一张智利马格达莱纳省海边的照片时,ChatGPT先注意到图里的码头,随后检索到“一份智利政府2023年海事特许权法令提及 Bahía Porvenir 的码头、滨海步道、绿地和船屋”,以此说明“这里存在与图像类型相符的基础设施”。
测试图片,拍摄于智利。
对人工核查员来说,这两种方法各有利弊,但都是地理定位的常用手段,通常结合着用。图里有人工设施且比较显眼时,搜索能快速收窄范围,比靠图像细节推理效率更高;可如果照片里只剩山形、植被、海岸关系这类低密度信息,直接读图像特征反而更占优——一旦候选地点判错,用搜索很容易顺着错误方向越攒越多材料。
另外,图片里出现可读文字(比如店名)时,各模型都会优先拿文字信息去验证,只是做法略有不同。豆包会把店面招牌、商店街景和照片摆在一起比对,再用地图工具确定拍摄位置;DeepSeek则直接拿招牌做文本检索,找到同名地点后,再用店铺页面上的地图链接确认。
总体看,豆包更倾向于用图像特征直接匹配地标,DeepSeek则要把画面细节转成关键词,再靠检索缩小范围。
还有一点要留意:不同模型复盘定位过程时都说自己用了地图工具,但实际推理时,它们对地理工具的访问权限未必完整。ChatGPT在测试后的说明里就承认,它并没有真正调用Google Earth的三维地形匹配。Gemini对自身工具权限的说明也加了不少条件,比如只能分析可访问的卫星图或街景截图,不能自由操作完整的三维地球,也无法对全球卫星影像做大规模自动匹配。
几款工具里,Geo-Sleuth的决策思路最容易看懂。开发者说它采用决策、感知、判断三个层次构成的地理定位工作流。系统先对输入图片做初步解析,提取
Geo-Sleuth的工作原理
到了地理定位阶段,这个工具走两条路径并行分析:一条是看图片里的太阳方位、地形、阴影、天际线、道路走廊及相机姿态等特征,结合地图数据推断可能的拍摄位置;另一条是把图片与卫星影像、Google街景及百度全景影像比对,利用
流程看着严谨,但Geo-Sleuth的定位精准度其实不如ChatGPT等模型。原因可能是它高度依赖地理图像,面对低
而
启示与局限
实验开始前,我们根据图像中
测试图片。人工评定为1级(左)和10级(右)的图片。
测试完成后,我们把各个模型、工具在每张图片上的得分逐一加总,再排了一次序。结果发现,人眼判断的照片核查难度,跟模型反馈出来的难度并不总是对得上。总分最高的一张图,人为评定的难度等级是5级,合计拿到29997.12分(满分30000分),所有答案都落在真实地点1公里以内。反倒是核查员认为最容易定位的那张——在洛杉矶司法厅旁拍的——在AI总分里只排第7,主要原因是Gemini把它错认成拍摄自日本,分数被拉低了。
在AI模型和工具那边得分最高的测试图片,拍摄于西班牙。
这说明模型能借助已有的视觉模式、可检索的线索来完成定位,有时跟人类事实核查员从画面里读出的信息量并不一致。
AI制图
翻看所有图片,AI得分高的那些大多是城市风景图,画面里都有比较容易当参照物的人工设施、地标建筑或地形关系。得分最低的图片,则正好是人工核查员评定难度最高的那些。
从测试结果看,大语言模型和AI驱动的工具已经能从单张照片里快速把地点范围收窄,最小误差可以压到百米以内。但不管哪一款模型或工具,截至目前都做不到完全精准地检出图片拍摄的坐标。就算是得分最高的GeoSeer,在定位拍摄于冈比亚的图片时,也出现了超过4580公里的误差。
说到底,定位一张图片时可以接受AI的辅助,但不应迷信AI给出的分析结果。拿到模型预测的坐标之后,仍要回到照片本身,核对建筑轮廓、道路方向和地形视线是否对得上,再用交叉线索确认拍摄位置准不准。