这几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。
它们会从视频里，每隔一段时间抽帧 ，也就是截取几张静态的图片。 比如 ，第1秒截一张，第1.5秒截一张，第2秒截一张等等等等 。
然后 ，AI会用它那分析静态图片（也就是空间信息）的能力 ，去分析这些所有的照片 。
“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”（Law of Common Fate）。
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（比如坤坤的方向）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（无论其大小、颜色或亮度）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 。
作者：卡兹克
本文经授权转载自 数字生命卡兹克（ID：Rockhazix），如需二次转载请联系原作者。欢迎转发到朋友圈。
本文来自作者[访亦]投稿，不代表视听号立场，如若转载，请注明出处：https://cn.stddy.com/xinwen/202511-54719.html
评论列表（4条）
我是视听号的签约作者“访亦”！
希望本篇文章《AI看不到的爱心，成了最棒的AI检测器。》能对你有所帮助！
本站[视听号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：这几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...