|
这两天在网上刷到了一张图，很有意思。  其实就是一张经典的视觉错觉图，做了个漂浮的心形图案。 如果你用电脑打开这篇文章的话，没看到这个图动起来的话，那就就用手机打开或者直接把页面缩小。 瞬间，你就能看到这个图里的爱心，直接左右横跳起来了。。。 看到的兄弟可以把公屏打在弹幕上。 这哥们说，这是最 好的AI探测器，说，没有AI能看到这个图中间还有个爱心。 我顺手找了几个模型试试，结果无一例外，果然，没一个AI认出来。 比如Gemini 2.5 Pro，率先翻车。 给我扯了一堆有的没的，然后说了一句，圆圈。 圈你妹= = GPT-5-Thinking，想了2分多分钟，直接阵亡。 甚至，我还试了一下豪华版GPT-5 Pro。 在长达7分钟的花里胡哨之后，宣布直接躺平。 国产三巨头，豆包、Qwen、元宝，也都倒在了这张图的淫威之下。 DeepSeek因为没有多模态，所以反而逃过一劫。 在这测试过程中，我一度产生了一种错觉，就是，不会这些模型，不知道啥叫心形吧。 导致我非常智障的还去问了一下。。。 认识，看来没啥问题。。。 你们也能看到，我用的都是同一套提示词。 我觉得，同样的问题交给随便的一个人，应该都是能得出正确答案的。 所以，我就产生了很强的好奇。 这到底是什么？ 再抽空花了一晚上的时间，去DeepReaserch和研究之后，我看到了一篇AI这块超级好玩的论文。 是今年5月发的，叫《Time Blindness: Why Video-Language Models Can’t See What Humans Can?》 真的，AI研究到后面，怎么发现，研究的全是人类。。。 这个标题翻译过来大概就是: 为什么视觉语言模型看不到人类能看到的东西？ 虽然文中的例子是视频，跟我们上文的爱心图有点不太一样，但是底层原理，其实在我读完以后看来，是完全一脉相通的。 这项研究设置了一个基准，叫做SpookyBench，合成了一堆由噪点组成的视频，是黑白的。 随便暂停一下，这个视频的每一帧，看起来都像是随机的雪花点或者电视噪音。 但是播放的时候，我们可以非常明确的看到一只鹿。 这个鹿我甚至都没法截图给大家看，只要截图出来就必是噪点图。 这玩意，跟最近X上流行的一个视觉错觉的宝剑视频还挺像的。 你只要一暂停，就啥也看不到了。 还有很多类似的。 这篇论文就拿451个这样的视频，组成了一个基准，去视觉大模型进行测试。 结果就是，非常的喜闻乐见。 人类可以毫不费力地识别出这些视频中的形状、文本和图案，准确率超过98%。 而大模型的准确率，为0%。 全军覆没，无一幸免。 我已经很久很久没见过这么多的0分了。 太特么赤鸡了。 无论模型架构大小、训练数据规模、是否经过微调或采用何种提示策略，AI从未答对任何一段视频的内容。 我也拿几个模型去试了一下，同样的那头鹿的视频，Gemini2.5-Pro同样无法识别。 原因其实特别简单。 AI是空间维度上的王 者，但却是时间维度上的瞎子。 我这么说可能会有点难以理解。 我们可以先想想，现在所有的大模型，包括GPT-5、Gemini 2.5 Pro，它们是怎么看视频的。 很多人以为他们跟人一样，就是搬个小板凳搁那坐着，目不转睛的看完了整个视频？ 错了，不是这样的。 现在大模型的主流做法，本质上不是看视频，是看照片。 “哦，这张照片里有噪点。” “哦，这张照片里还是噪点。” “哦，这张照片里依然是噪点。” 最后，它得出结论: “这特么就是个噪点视频。” 这就是最本质的问题所有，AI彻底丢掉了所有的帧与帧之间的信息。 而那个“漂浮的心形”和“噪点中的鹿”，其实本质上，它们的信息恰恰只存在于帧与帧之间。 这其实，就是，时间维度。 在任何一个单独的瞬间，心形和鹿都是不存在的，都是不可见的。 你只有把这些瞬间连续播放，让时间流动起来，你才能看到他们。 突然想起了以前做交互设计的时候，有一个几乎刻在我血液里的心理学，这玩意，叫格式塔心理学。 几乎就是用户体验行业的基石之一。 里面有一个非常牛逼的原则，叫“共同命运法则”。 这个法则是说，我们的大脑会本能地、自动地、不讲道理地，把朝着同一方向运动的物体，识别为一个整体。 这玩意几乎就是刻在我们的史前基因里面的。 比如在几万年前的草原上，我们的老祖宗“智人坤坤”，正蹲在草丛里。 他眼前是一片随风摆动的、杂乱的灌木。 突然，在灌木丛中，有一小片叶子的摆动方式，跟周围所有的叶子都不一样，它们在以一个相同的规律，朝着同一个方向缓慢移动。 坤坤的大脑，甚至不需要他思考，就会立刻拉响警报: “卧槽！快跑！老虎来了！！！有危险！！” 那些“共同运动”的像素点，在坤坤的大脑里自动组合成了老虎这个整体。 所以，你看，当你看到那个“噪点鹿”的视频时，你根本不需要努力，你大脑里的共同命运法则就自动启动了。 它帮你把所有一起往上移动的噪点归为一类，识别为“鹿”，把所有一起往下移动的噪点归为另一类，识别为“背景”。 你之所以能看到鹿，不是因为你看见了鹿，而是因为你看见了运动本身。 但AI不行。它没有我们这套“共同命运法则”的视觉系统。 它的架构，论文里叫 "Spatial Bias"空间偏见，决定了它只能先去识别空间上的特征。 它看每一帧，都是一堆杂乱无章的噪点。 但它无法从时间的维度上，去发现这些噪点之间“共同的命运”，所以，它看不到那只鹿。 这个问题，在论文中，被称为。 时间盲视，Time Blindness。 目前看，好像没有啥解决办法，不仅仅是一个技术漏洞了，或者一个可以喂数据就能解决的小bug，论文里也试了，微调训练也没用。 我们活在流中，而AI活在帧中。 这个世界对我们来说，首先是连续的、流动的、充满过程的。 而对AI来说，这个世界首先是离散的、静态的、充满物体的。 太有意思了，这是我最近，看到的最哲学最让我喜欢的一段表述。 我们现在理解了噪点，让我们回到最开始的爱心。 这时候，我其实又产生了问题，不对啊，运动这事，是时间维度的，但是那个爱心，明明就是一张图，根本没有时间属性，那这玩意，到底为啥也能让人感觉到，动呢？？？ 我没理解，于是，我又进行了新一轮的研究。。。 结果，答案居然让我有点无语。。。 答案特别简单，就是因为: 因为我们自己会动。 还是，不受控制地动。。。 在20世纪50年代，眼动领域有一个实验证明了一个事情，就是，人眼在注视时并非完全静止，而是不断进行微小的运动。 正是这些不自主的眼球运动，保证了我们对静止图像的持续感知。 这样的视错觉图，基本上都是利用了我们这个会自己运动的特征，来做出动态效果的。 为了使人类能够看见，视网膜上的图像必须持续发生一定程度的运动。 反过来讲，如果某个视野保持严格的静止，那么在1~3秒内，该区域就会在视野中逐渐消失。 视觉科学里有个差不多的理论是特克斯勒消逝效应，说的是当人们长时间注视一个固定点时，周边视野中不变的刺激会逐渐淡化甚至消失。 听起来挺绕的，但如果你想试一下，刻意控制眼球静止不动的话，你可以放大这张图，然后刻意的牢牢盯住中间的十字。 应该可以感觉到十字周围的颜色在慢慢消失，然后变成一片灰白色。 这就是著名的特克斯勒消逝效应的哲学。 没有变化，则等于没有信息。 这篇文章写着写着，突然感觉回到了7、8年前还在做用户体验设计的时候，天天研究认知心理学的日子。 那时候，我们天天在研究人，研究认知心理学，研究人的行为、研究人的眼动路线、研究人的注意力、研究人的记忆，就想着，我们的产品，怎么让用户体验更丝滑一点，让他更爽一点，我们的转化率更高一点。。。 没想到这么多年以后，天天研究AI，发现到头来。 又回到了当年。 原来当年研究了那么久的知识，在如今的时代，又以另一种路径，穿越了时空，散发出了新的光彩。 AI跟人，也真的都是超级有趣的物种。 在无数路径上殊途同归，却又在各自的路线上，分道扬镳。 但我还是更喜欢人一点。 毕竟，我们不仅能看到噪点中的鹿，我们还能看到沉默中的爱，看到无常中的美。 还有，那时间。 流逝的本身。 |
声明：本网转发此文章，旨在为读者提供更多信息资讯，所涉内容不构成投资、消费建议。文章事实如有疑问，请与有关方核实，文章观点非本网观点，仅供读者参考。
