來源 | 數(shù)字生命卡茲克（ID：Rockhazix）

這兩天在網(wǎng)上刷到了一張圖，很有意思。

其實(shí)就是一張經(jīng)典的視覺錯(cuò)覺圖，做了個(gè)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(gè)圖動(dòng)起來的話，那就用手機(jī)打開或者直接把頁面縮小。

瞬間，你就能看到這個(gè)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(gè)圖中間還有個(gè)愛心。

我順手找了幾個(gè)模型試試，結(jié)果無一例外，果然，沒一個(gè)AI認(rèn)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(dá)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?yàn)闆]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(cuò)覺，就是，不會(huì)這些模型，不知道啥叫心形吧。

導(dǎo)致我非常智障的還去問了一下。。。

認(rèn)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(gè)人，應(yīng)該都是能得出正確答案的。

所以，我就產(chǎn)生了很強(qiáng)的好奇。

這到底是什么？

再抽空花了一晚上的時(shí)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(gè)標(biāo)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(diǎn)不太一樣，但是底層原理，其實(shí)在我讀完以后看來，是完全一脈相通的。

這項(xiàng)研究設(shè)置了一個(gè)基準(zhǔn)，叫做SpookyBench，合成了一堆由噪點(diǎn)組成的視頻，是黑白的。

隨便暫停一下，這個(gè)視頻的每一幀，看起來都像是隨機(jī)的雪花點(diǎn)或者電視噪音。

但是播放的時(shí)候，我們可以非常明確的看到一只鹿。

這個(gè)鹿我甚至都沒法截圖給大家看，只要截圖出來就必是噪點(diǎn)圖。

這玩意，跟最近X上流行的一個(gè)視覺錯(cuò)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(gè)這樣的視頻，組成了一個(gè)基準(zhǔn)，去視覺大模型進(jìn)行測試。

結(jié)果就是，非常的喜聞樂見。

人類可以毫不費(fèi)力地識別出這些視頻中的形狀、文本和圖案，準(zhǔn)確率超過98%。

而大模型的準(zhǔn)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(gòu)大小、訓(xùn)練數(shù)據(jù)規(guī)模、是否經(jīng)過微調(diào)或采用何種提示策略，AI從未答對任何一段視頻的內(nèi)容。

我也拿幾個(gè)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(shí)特別簡單。

AI是空間維度上的王者，但卻是時(shí)間維度上的瞎子。

我這么說可能會(huì)有點(diǎn)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(gè)小板凳擱那坐著，目不轉(zhuǎn)睛的看完了整個(gè)視頻？

錯(cuò)了，不是這樣的。

現(xiàn)在大模型的主流做法，本質(zhì)上不是看視頻，是看照片。

它們會(huì)從視頻里，每隔一段時(shí)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(huì)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(diǎn)。” “哦，這張照片里還是噪點(diǎn)?！?“哦，這張照片里依然是噪點(diǎn)。”

最后，它得出結(jié)論： “這特么就是個(gè)噪點(diǎn)視頻。”

這就是最本質(zhì)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(gè)“漂浮的心形”和“噪點(diǎn)中的鹿”，其實(shí)本質(zhì)上，它們的信息恰恰只存在于幀與幀之間。

這其實(shí)，就是，時(shí)間維度。

在任何一個(gè)單獨(dú)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(shí)間流動(dòng)起來，你才能看到他們。

突然想起了以前做交互設(shè)計(jì)的時(shí)候，有一個(gè)幾乎刻在我血液里的心理學(xué)，這玩意，叫格式塔心理學(xué)。

幾乎就是用戶體驗(yàn)行業(yè)的基石之一。

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

這個(gè)法則是說，我們的大腦會(huì)本能地、自動(dòng)地、不講道理地，把朝著同一方向運(yùn)動(dòng)的物體，識別為一個(gè)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(fēng)擺動(dòng)的、雜亂的灌木。

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

坤坤的大腦，甚至不需要他思考，就會(huì)立刻拉響警報(bào)： “臥槽！快跑！老虎來了?。?！有危險(xiǎn)?。　?/p>

那些“共同運(yùn)動(dòng)”的像素點(diǎn)，在坤坤的大腦里自動(dòng)組合成了老虎這個(gè)整體。

所以，你看，當(dāng)你看到那個(gè)“噪點(diǎn)鹿”的視頻時(shí)，你根本不需要努力，你大腦里的共同命運(yùn)法則就自動(dòng)啟動(dòng)了。

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

你之所以能看到鹿，不是因?yàn)槟憧匆娏寺?，而是因?yàn)槟憧匆娏诉\(yùn)動(dòng)本身。

但AI不行。它沒有我們這套“共同命運(yùn)法則”的視覺系統(tǒng)。

它的架構(gòu)，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(diǎn)。

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

這個(gè)問題，在論文中，被稱為。

時(shí)間盲視，Time Blindness。

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

我們活在流中，而AI活在幀中。

這個(gè)世界對我們來說，首先是連續(xù)的、流動(dòng)的、充滿過程的。

而對AI來說，這個(gè)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(xué)最讓我喜歡的一段表述。

我們現(xiàn)在理解了噪點(diǎn)，讓我們回到最開始的愛心。

這時(shí)候，我其實(shí)又產(chǎn)生了問題，不對啊，運(yùn)動(dòng)這事，是時(shí)間維度的，但是那個(gè)愛心，明明就是一張圖，根本沒有時(shí)間屬性，那這玩意，到底為啥也能讓人感覺到，動(dòng)呢？？？

我沒理解，于是，我又進(jìn)行了新一輪的研究。。。

結(jié)果，答案居然讓我有點(diǎn)無語。。。

答案特別簡單，就是因?yàn)椋?/p>

因?yàn)槲覀冏约簳?huì)動(dòng)。

還是，不受控制地動(dòng)。。。

在20世紀(jì)50年代，眼動(dòng)領(lǐng)域有一個(gè)實(shí)驗(yàn)證明了一個(gè)事情，就是，人眼在注視時(shí)并非完全靜止，而是不斷進(jìn)行微小的運(yùn)動(dòng)。

正是這些不自主的眼球運(yùn)動(dòng)，保證了我們對靜止圖像的持續(xù)感知。

這樣的視錯(cuò)覺圖，基本上都是利用了我們這個(gè)會(huì)自己運(yùn)動(dòng)的特征，來做出動(dòng)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(yùn)動(dòng)。

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

視覺科學(xué)里有個(gè)差不多的理論是特克斯勒消逝效應(yīng)，說的是當(dāng)人們長時(shí)間注視一個(gè)固定點(diǎn)時(shí)，周邊視野中不變的刺激會(huì)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(dòng)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(yīng)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(yīng)的哲學(xué)。

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(yàn)設(shè)計(jì)的時(shí)候，天天研究認(rèn)知心理學(xué)的日子。

那時(shí)候，我們天天在研究人，研究認(rèn)知心理學(xué)，研究人的行為、研究人的眼動(dòng)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(yàn)更絲滑一點(diǎn)，讓他更爽一點(diǎn)，我們的轉(zhuǎn)化率更高一點(diǎn)。。。

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(dāng)年。

原來當(dāng)年研究了那么久的知識，在如今的時(shí)代，又以另一種路徑，穿越了時(shí)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(yáng)鑣。

但我還是更喜歡人一點(diǎn)。

畢竟，我們不僅能看到噪點(diǎn)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(shí)間。

流逝的本身。

>/ 作者：卡茲克

>/ 投稿或爆料，請聯(lián)系郵箱：[email protected]

來源 | 數(shù)字生命卡茲克（ID：Rockhazix）

未經(jīng)授權(quán)，禁止二次轉(zhuǎn)載，如有需要聯(lián)系原公眾號