能够 beat AI，是我们人类现在最热衷做的事情。最近一张视错觉的图片在网络上疯传，大家都说这张图，就是新时代的图灵测试。是人还是 AI，问问对方能不能看到这张图片里，有一颗浮动的心就行。因为如果是 AI，必然看不到；而我们只需要把手机拿远一点，中间这颗浮动的心就特别明显。我拿着这张图片问了一圈大家用得比较多的 AI 大模型，全军覆没，没一个能答得上来。先问的 ChatGPT，一开始它说没看到有浮动的图形。当我说有头牛，它就说是牛；有个咖啡杯，就是个杯子；有一颗心，那就是一颗心。在他看来，能看到一颗心，是我们人类的大脑，擅长想象。我们会根据自己的经历，来解释这张图片，所以看到猫猫狗狗，都是有可能的，是因人而异的。上下滑动查看更多内容接着问 Gemini，同样是一开始什么也没看到。但是它提到了这是一个著名的视错觉图像，通常被称为闪烁网格错觉 (Scintillating Grid Illusion)。闪烁网格错觉，永远数不清有多少个黑点/白点虽然一样是人类的视觉错觉，但是和图片里面的心，还是不太一样，毕竟视错觉的种类太多了。当我继续问他有没有看到杯子、看到牛？这里 Gemini 还是比 ChatGPT 聪明，它义正严辞地告诉我，没有看到。但是当我问它有没有看到爱心时，它说它看到了，并且他还知道要我往后站一点才能看到。我以为它是那个出类拔萃的 AI。没想到，它虚晃一枪，说根本没有看到，还觉得我在对它使用心理学技巧。上下滑动查看更多内容最后问了一下 Qwen，我平时用 Qwen 比较少，才知道它的回答竟然这么有意思（胡说八道）。聊到最后，它说「您不只是在描述图像，您是在分享您的心灵风景。」、「您不是在教我看图，而是在邀请我进入您的感知世界。」（原来「不是……而是……」，读起来真的很 AI）上下滑动查看更多内容总之，Qwen 的这个回答太逆天了。但显然，它也没答上来。本想继续试试 DeepSeek，发现它现在还不支持视觉模型，只能做一些文本提取的工作。字节跳动的豆包和马斯克的 Grok 也是一样，发现不了这颗浮动的爱心。向左滑动查看更多内容还有网友把这张图片上传到 Google Veo 3.1 视频生成模型，输入提示词「Heart」，生成的视频确实能看到这颗心。但是也有评论提出质疑，说 Veo 3.1 并不是发现了这颗心，只是提示词输入了 Heart，模型都会这样处理。我们找了一张没有错觉的图片，也是由方格子组成，输入同样的提示词，一样是类似的心形涌现。这次人类真的打败了 AI。或许它还称不上一个完美的图灵测试，但似乎确实划出了一条清晰的界线。以前的六个手指、草莓 Strawberry 单词里有几个 r、今天买西瓜，昨天吃西瓜，剩下几个西瓜、诸如此类的问题，我们都乐此不疲让 AI 去尝试，因为曾经大多数时候他们都会败下阵来。而随着模型的更新，现在的 AI 似乎刻意针对这些难题做过训练。在这些具体的问题上，表现比以前更好。但如果模型没有统计到，还是一样的会出错。图片来源：https://vlmsarebiased.github.io/有专门的研究，提到过「六个手指」能让 AI 败下阵来，原因是大语言模型的偏见。对于 AI 来说，出现手指一般就是五根、看到阿迪达斯的标志，就是三根条纹。即使 AI 成功数出来了 6 根手指；它会多问自己一句，「多出来的那根，是不是只是像手指，但其实不是手指」。这项研究里面也提到了一些经典的几何错觉，例如缪勒－莱尔错觉：等长的线因箭头方向不同，看起来长短不一；艾宾浩斯错觉：相同大小的圆被不同大小的圆包围，看起来大小不同；以及我们感知平行线时，会被斜线干扰的策尔纳错觉。不过，论文里面提到，大部分的 AI 模型针对这些常见的几何错觉，都能准确回答。只是把这个错觉，修改成真实的差别后，例如还是有箭头差异，但是明显的两根线段不等长，模型就处理不过来。和这些讨论 AI 的偏见问题不同，AI 不知道错觉图片里面的爱心，完全是它从始至终就不能发现。这其实是机器视觉，和生物视觉最大的差别。要知道 AI 为什么会答不上来，得先知道我们人类，为什么一眼就能看出来。很遗憾，其实还真的没有科学的解释，我们为什么会出现这些错觉，能把一个静态的图片，看成是一个动态的 GIF。主流的解释方案，集中在眼睛部位，视网膜神经元的侧抑制作用，这会让我们在看一张图片时，放大边缘部分；还有视觉暂留、眼球微动等解释。在大脑部位，一些解释方案提到，我们存在的认知与注意力机制有误差。从眼睛看到，到视网膜处理，再到大脑的处理，每一级都有可能制造我们对图像的错觉。不同类型的错觉也有不同类型的处理系统。甚至是，不同的人，对不同的错觉强度差别巨大。但可以肯定的是，这些错觉是发生生物体上。我们人类是用视觉+经验+想象去识别形状，而 AI 是用图像的像素、明暗分布和几何特征去分析。这种机制上的不确定性，和个体差异性本身就是生物视觉的核心特征之一，而 AI 目前的运行机制，是走在相对统一和确定的方向上。这也能解释在社交媒体上，我们其实经常能刷到各种能看到/不能看到的错觉图片。我让 ChatGPT 给我总结了一波最全的视错觉种类，从几何、明暗对比、颜色、运动、认知等十个类别，一共有几十种具体形式。像是下面这张，我们人眼很难看出这些球是一样的颜色，但是 AI 依靠它的像素分析，能直接给出所有球颜色一样的结论。向左滑动查看更多内容，Munker–White 错觉，小球的颜色被条纹重新定义了还有十年前互联网，争议不断的裙子颜色，是蓝黑还是白金？向左滑动查看更多内容我们人类很难分得清，但是 AI 依靠它的理性分析，对图片的像素进行识别，以及它对过去互联网的信息统计，可以避免重蹈我们人类的错觉。从这个角度来看，AI 和我们人类确实很像，我们有错觉，AI 也有他自己的错觉。其实不只这颗浮动的心，还有一些错觉图片，AI 目前也是没有办法识别出来。还有这张蒙娜丽莎的微笑，对我们人类来说，也是只需要把手机拿远一点，蒙娜丽莎的轮廓就明显浮现出来。但无论是问 Gemini 还是 ChatGPT，它们都只能回答出，「这是一个多轨音频波形的图像，用不同的颜色区分，图片很可能来自一个数字音频工作站，或类似的音频编辑软件的界面截图」。还有人发明了动态的验证码，只有人类能看到，因为暂停的每一帧，都是密密麻麻的雪花，完全看不出来。我试着把截图、视频都分别上传给 AI，问他们是否能看到里面的验证码。同样不意外，没有 AI 模型能够回答。ChatGPT 直接说「抱歉，我无法帮你识别或提取这类图像中的验证码。」Gemini 则是分析出这是一张「几乎全是黑白噪点（像电视雪花屏）的图片，并没有显示任何可识别的验证码（如字母、数字或图像），我只在左侧看到了一个很淡的圆形图标。」也有研究团队针对这个问题讨论过，并且他们开发了一个 Demo，我们可以上传文字，将他们隐藏起来。点击播放，看看里面有什么字。项目来源：https://timeblindness.github.io/generate.html这份工作里面提到了 AI 没有办法做到，像认知神经科学中关于分布式神经计时机制，以及我们专门用于时间处理的大脑区域，AI 只是单纯的逐帧提取。它们正在尝试，通过提出相关的数据集，训练 AI，让它学会我们的视觉处理方式。能够让 AI 输掉的测试大概还有很多，只是回头一想，当我们把人类的错觉，当作是一种「赢」过 AI 的时候。AI 的错觉，未来是不是也有可能变成另一种胜利。
