新智元报道
新智元报道
【新智元导读】人眼秒懂、顶级AI全瞎的「幽灵字体」一夜爆火1700万播放，结果一句提示词就让GPT-5.6破防了。
人眼有个与生俱来的本能，心理学上叫格式塔（Gestalt）「共同命运」法则：一群点朝同一个方向跑，你会自动把它们看成一个整体。就像天上一群大雁排成人字，你不需要一只只辨认，形状自己会跳进脑子里。
Ghost Font就利用了这一点：字母由朝上滑动的像素组成，背景噪点朝下滑——你的视觉皮层用了几百万年进化出的运动感知能力，0.1秒就完成了分离。
但视频一暂停，所有像素混作一团，任何一帧都是纯噪点。截图没用，逐帧分析也没用。
截图
而目前的多模态模型，本质上还是「图像模型套了个视频壳」：哪怕你喂它视频，它也是拆成一帧一帧分开看，就像把一部电影打散成几千张剧照，然后一张一张端详。
它压根不会「看运动」。Ghost Font钻的就是这个空子。
更损的是，Eric Lu还留了第二道保险：每段视频里都埋着一条诱饵信息。
这一招，专门防那些带本地代码执行环境的Agent——就算它们想到去分析像素运动，也大概率先撞上诱饵，然后自信收工，一本正经地汇报「破译成功」。
ChatGPT 5.5 Pro苦想了整整19分钟，最后幻觉出一条根本不存在的信息，连诱饵都没读对。
有人拿Gemini 3.1 Pro亲测，它一本正经地回复：SEND NUDES（发我裸照）——这条正是作者埋好的诱饵内容。
Claude Fable开了Max推理模式也没用，照样掉进诱饵坑里，自信地报出了错误答案。
Claude Fable 通过 Max 推理试图解码用 Ghost Font 书写的消息。该模型读取了隐藏的诱饵消息，但未能读取实际的运动消息
人类最后的密码，似乎守住了。
但只守住了一天。
提示工程大牛Riley Goodside出手了。
他没写代码，没搞多步推理链，没用什么fancy的Agent框架，只对GPT-5.6 Sol说了一句话：
组成字母的噪点向上滑，其余的向下滑。
就这一句方向提示。Sol用了1分56秒，读出了正确答案：RILEY WAS HERE.（Riley到此一游。）
一句话，连一句完整的prompt都算不上，就把整个「人类专属」的壁垒戳穿了。
还有人用两张相隔1.5秒的截图喂给ChatGPT 5.6，告诉它「背景在匀速运动」，模型直接做差分，字母也浮了出来。
这说明AI不是不能感知运动，而是默认不往那个方向想。一旦被点醒，所谓「人类直觉」的壁垒，薄得像张纸。
这一幕，历史上已经上演过一遍。
2013年，前NSA承包商、韩裔设计师Sang Mun发布了ZXX字体，一共六种变体——用迷彩、噪点、划线和假标记伪装字母，专治OCR光学字符识别。
那年头，这东西被捧成「监控免疫神器」，CNN、Salon争相报道，设计界奉为反抗监控的宣言。
可如今把ZXX的图片丢给ChatGPT 5.5，一次提问就全读了出来，连小字细节都不漏。十三年的「监控免疫」，在现代AI面前成了一道送分题。
ZXX撑了十年，Ghost Font只撑了一天。
所以Ghost Font真正在问的是——AI的感知离人类还差多远？
答案扎心了：就差一句提示词。
想想验证码就知道了。现在的CAPTCHA基本已经被AI按在地上摩擦，动态验证本来看着是条活路——机器看不懂，人一眼就过。
但Goodside刚刚证明，一句话就能教会AI「看动的东西」。这条活路能走多远，要打个问号。
再想想我们怎么考AI的。
一直都是拿静态图片出题，压根没怎么考过「看运动」这项能力。哪天真出一套动态视觉考卷，现在这批模型怕是要集体交白卷。
当然，这个漏洞也有保质期。能直接理解视频的原生多模态模型迟早会来——到那时候，看懂运动不再是需要人提醒的技巧，而是模型天生就会的事。
Eric Lu说要把Ghost Font开源，希望在AI接管一切的时代，人类还能留住一点独属于自己的创造力。
下一个「只有人类能看懂」的东西，还能撑几天？
参考资料：
https://x.com/ericlu/status/2075876651574210643 - https://x.com/goodside/status/2076361122328858829
编辑：所罗门
