大數(shù)據(jù)文摘受權轉載自數(shù)字生命卡茲克

這兩天在網(wǎng)上刷到了一張圖，很有意思。

其實就是一張經(jīng)典的視覺錯覺圖，做了個漂浮的心形圖案。

如果你用電腦打開這篇文章的話，沒看到這個圖動起來的話，那就就用手機打開或者直接把頁面縮小。

瞬間，你就能看到這個圖里的愛心，直接左右橫跳起來了。。。

看到的兄弟可以把公屏打在彈幕上。

這哥們說，這是最好的AI探測器，說，沒有AI能看到這個圖中間還有個愛心。

我順手找了幾個模型試試，結果無一例外，果然，沒一個AI認出來。

比如Gemini 2.5 Pro，率先翻車。

給我扯了一堆有的沒的，然后說了一句，圓圈。

圈你妹= =

GPT-5-Thinking，想了2分多分鐘，直接陣亡。

甚至，我還試了一下豪華版GPT-5 Pro。

在長達7分鐘的花里胡哨之后，宣布直接躺平。

國產(chǎn)三巨頭，豆包、Qwen、元寶，也都倒在了這張圖的淫威之下。

DeepSeek因為沒有多模態(tài)，所以反而逃過一劫。

在這測試過程中，我一度產(chǎn)生了一種錯覺，就是，不會這些模型，不知道啥叫心形吧。

導致我非常智障的還去問了一下。。。

認識，看來沒啥問題。。。

你們也能看到，我用的都是同一套提示詞。

我覺得，同樣的問題交給隨便的一個人，應該都是能得出正確答案的。

所以，我就產(chǎn)生了很強的好奇。

這到底是什么？

再抽空花了一晚上的時間，去DeepReaserch和研究之后，我看到了一篇AI這塊超級好玩的論文。

是今年5月發(fā)的，叫《Time Blindness: Why Video-Language Models Can’t See What Humans Can?》

真的，AI研究到后面，怎么發(fā)現(xiàn)，研究的全是人類。。。

這個標題翻譯過來大概就是：

為什么視覺語言模型看不到人類能看到的東西？

雖然文中的例子是視頻，跟我們上文的愛心圖有點不太一樣，但是底層原理，其實在我讀完以后看來，是完全一脈相通的。

這項研究設置了一個基準，叫做SpookyBench，合成了一堆由噪點組成的視頻，是黑白的。

隨便暫停一下，這個視頻的每一幀，看起來都像是隨機的雪花點或者電視噪音。

但是播放的時候，我們可以非常明確的看到一只鹿。

這個鹿我甚至都沒法截圖給大家看，只要截圖出來就必是噪點圖。

這玩意，跟最近X上流行的一個視覺錯覺的寶劍視頻還挺像的。

你只要一暫停，就啥也看不到了。

還有很多類似的。

這篇論文就拿451個這樣的視頻，組成了一個基準，去視覺大模型進行測試。

結果就是，非常的喜聞樂見。

人類可以毫不費力地識別出這些視頻中的形狀、文本和圖案，準確率超過98%。

而大模型的準確率，為0%。

全軍覆沒，無一幸免。

我已經(jīng)很久很久沒見過這么多的0分了。

太特么赤雞了。

無論模型架構大小、訓練數(shù)據(jù)規(guī)模、是否經(jīng)過微調或采用何種提示策略，AI從未答對任何一段視頻的內容。

我也拿幾個模型去試了一下，同樣的那頭鹿的視頻，Gemini2.5-Pro同樣無法識別。

原因其實特別簡單。

AI是空間維度上的王者，但卻是時間維度上的瞎子。

我這么說可能會有點難以理解。

我們可以先想想，現(xiàn)在所有的大模型，包括GPT-5、Gemini 2.5 Pro，它們是怎么看視頻的。

很多人以為他們跟人一樣，就是搬個小板凳擱那坐著，目不轉睛的看完了整個視頻？

錯了，不是這樣的。

現(xiàn)在大模型的主流做法，本質上不是看視頻，是看照片。

它們會從視頻里，每隔一段時間抽幀，也就是截取幾張靜態(tài)的圖片。 比如，第1秒截一張，第1.5秒截一張，第2秒截一張等等等等。

然后，AI會用它那分析靜態(tài)圖片（也就是空間信息）的能力，去分析這些所有的照片。

“哦，這張照片里有噪點。” “哦，這張照片里還是噪點?！?“哦，這張照片里依然是噪點。”

最后，它得出結論： “這特么就是個噪點視頻?！?/p>

這就是最本質的問題所有，AI徹底丟掉了所有的幀與幀之間的信息。

而那個“漂浮的心形”和“噪點中的鹿”，其實本質上，它們的信息恰恰只存在于幀與幀之間。

這其實，就是，時間維度。

在任何一個單獨的瞬間，心形和鹿都是不存在的，都是不可見的。

你只有把這些瞬間連續(xù)播放，讓時間流動起來，你才能看到他們。

突然想起了以前做交互設計的時候，有一個幾乎刻在我血液里的心理學，這玩意，叫格式塔心理學。

幾乎就是用戶體驗行業(yè)的基石之一。

里面有一個非常牛逼的原則，叫“共同命運法則”（Law of Common Fate）。

這個法則是說，我們的大腦會本能地、自動地、不講道理地，把朝著同一方向運動的物體，識別為一個整體。

這玩意幾乎就是刻在我們的史前基因里面的。

比如在幾萬年前的草原上，我們的老祖宗“智人坤坤”，正蹲在草叢里。

他眼前是一片隨風擺動的、雜亂的灌木。

突然，在灌木叢中，有一小片葉子的擺動方式，跟周圍所有的葉子都不一樣，它們在以一個相同的規(guī)律，朝著同一個方向（比如坤坤的方向）緩慢移動。

坤坤的大腦，甚至不需要他思考，就會立刻拉響警報： “臥槽！快跑！老虎來了?。。∮形ｋU?。　?/p>

那些“共同運動”的像素點，在坤坤的大腦里自動組合成了老虎這個整體。

所以，你看，當你看到那個“噪點鹿”的視頻時，你根本不需要努力，你大腦里的共同命運法則就自動啟動了。

它幫你把所有一起往上移動的噪點歸為一類，識別為“鹿”，把所有一起往下移動的噪點歸為另一類，識別為“背景”。

你之所以能看到鹿，不是因為你看見了鹿，而是因為你看見了運動本身。

但AI不行。它沒有我們這套“共同命運法則”的視覺系統(tǒng)。

它的架構，論文里叫 "Spatial Bias"空間偏見，決定了它只能先去識別空間上的特征。

它看每一幀，都是一堆雜亂無章的噪點。

但它無法從時間的維度上，去發(fā)現(xiàn)這些噪點之間“共同的命運”，所以，它看不到那只鹿。

這個問題，在論文中，被稱為。

時間盲視，Time Blindness。

目前看，好像沒有啥解決辦法，不僅僅是一個技術漏洞了，或者一個可以喂數(shù)據(jù)就能解決的小bug，論文里也試了，微調訓練也沒用。

我們活在流中，而AI活在幀中。

這個世界對我們來說，首先是連續(xù)的、流動的、充滿過程的。

而對AI來說，這個世界首先是離散的、靜態(tài)的、充滿物體的。

太有意思了，這是我最近，看到的最哲學最讓我喜歡的一段表述。

我們現(xiàn)在理解了噪點，讓我們回到最開始的愛心。

這時候，我其實又產(chǎn)生了問題，不對啊，運動這事，是時間維度的，但是那個愛心，明明就是一張圖，根本沒有時間屬性，那這玩意，到底為啥也能讓人感覺到，動呢？？？

我沒理解，于是，我又進行了新一輪的研究。。。

結果，答案居然讓我有點無語。。。

答案特別簡單，就是因為：

因為我們自己會動。

還是，不受控制地動。。。

在20世紀50年代，眼動領域有一個實驗證明了一個事情，就是，人眼在注視時并非完全靜止，而是不斷進行微小的運動。

正是這些不自主的眼球運動，保證了我們對靜止圖像的持續(xù)感知。

這樣的視錯覺圖，基本上都是利用了我們這個會自己運動的特征，來做出動態(tài)效果的。

為了使人類能夠看見，視網(wǎng)膜上的圖像必須持續(xù)發(fā)生一定程度的運動。

反過來講，如果某個視野（無論其大小、顏色或亮度）保持嚴格的靜止，那么在1~3秒內，該區(qū)域就會在視野中逐漸消失。

視覺科學里有個差不多的理論是特克斯勒消逝效應，說的是當人們長時間注視一個固定點時，周邊視野中不變的刺激會逐漸淡化甚至消失。

聽起來挺繞的，但如果你想試一下，刻意控制眼球靜止不動的話，你可以放大這張圖，然后刻意的牢牢盯住中間的十字。

應該可以感覺到十字周圍的顏色在慢慢消失，然后變成一片灰白色。

這就是著名的特克斯勒消逝效應的哲學。

沒有變化，則等于沒有信息。

這篇文章寫著寫著，突然感覺回到了7、8年前還在做用戶體驗設計的時候，天天研究認知心理學的日子。

那時候，我們天天在研究人，研究認知心理學，研究人的行為、研究人的眼動路線、研究人的注意力、研究人的記憶，就想著，我們的產(chǎn)品，怎么讓用戶體驗更絲滑一點，讓他更爽一點，我們的轉化率更高一點。。。

沒想到這么多年以后，天天研究AI，發(fā)現(xiàn)到頭來。

又回到了當年。

原來當年研究了那么久的知識，在如今的時代，又以另一種路徑，穿越了時空，散發(fā)出了新的光彩。

AI跟人，也真的都是超級有趣的物種。

在無數(shù)路徑上殊途同歸，卻又在各自的路線上，分道揚鑣。

但我還是更喜歡人一點。

畢竟，我們不僅能看到噪點中的鹿，我們還能看到沉默中的愛，看到無常中的美。

還有，那時間。

流逝的本身。

注：頭圖AI生成

作者長期關注 AI 產(chǎn)業(yè)與學術，歡迎對這些方向感興趣的朋友添加微信Q1yezi，共同交流行業(yè)動態(tài)與技術趨勢！

GPU 訓練特惠！

H100/H200 GPU算力按秒計費，平均節(jié)省開支30%以上！

掃碼了解詳情?

點「贊」的人都變好看了哦！