AI看不到的愛心，成了最棒的AI檢測器。
這幾天在網上刷到了一張圖，很有意思。
其實就是一張經典的視覺錯覺圖，做了個漂浮的心形圖案。
如果你用電腦打開這篇文章的話，沒看到這個圖動起來的話，那就就用手機打開或者直接把頁面縮小。
瞬間，你就能看到這個圖裏的愛心，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能看到這個圖中間還有個愛心。
我順手找了幾個模型試試，結果無一例外，果然，沒一個AI認出來。
比如Gemini 2.5 Pro，率先翻車。
給我扯了一堆有的沒的，然後說了一句，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7分鐘的花裏胡哨之後，宣佈直接躺平。
國產三巨頭，豆包、Qwen、元寶，也都倒在了這張圖的淫威之下。
DeepSeek因爲沒有多模態，所以反而逃過一劫。
在這測試過程中，我一度產生了一種錯覺，就是，不會這些模型，不知道啥叫心形吧。
導致我非常智障的還去問了一下......
認識，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人，應該都是能得出正確答案的。
所以，我就產生了很強的好奇。
這到底是什麼？
再抽空花了一晚上的時間，去DeepReaserch和研究之後，我看到了一篇AI這塊超級好玩的論文。
是今年5月發的，叫《Time Blindness: Why Video-Language Models Can’t See What Humans Can?》
真的，AI研究到後面，怎麼發現，研究的全是人類......
這個標題翻譯過來大概就是：
爲什麼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不太一樣，但是底層原理，其實在我讀完以後看來，是完全一脈相通的。
這項研究設置了一個基準，叫做SpookyBench，合成了一堆由噪點組成的視頻，是黑白的。
隨便暫停一下，這個視頻的每一幀，看起來都像是隨機的雪花點或者電視噪音。
但是播放的時候，我們可以非常明確的看到一隻鹿。
這個鹿我甚至都沒法截圖給大家看，只要截圖出來就必是噪點圖。
這玩意，跟最近X上流行的一個視覺錯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個這樣的視頻，組成了一個基準，去視覺大模型進行測試。
結果就是，非常的喜聞樂見。
人類可以毫不費力地識別出這些視頻中的形狀、文本和圖案，準確率超過98%。
而大模型的準確率，爲0%。
全軍覆沒，無一倖免。
我已經很久很久沒見過這麼多的0分了。
太特麼赤雞了。
無論模型架構大小、訓練數據規模、是否經過微調或採用何種提示策略，AI從未答對任何一段視頻的內容。
我也拿幾個模型去試了一下，同樣的那頭鹿的視頻，Gemini2.5-Pro同樣無法識別。
原因其實特別簡單。
AI是空間維度上的王者，但卻是時間維度上的瞎子。
我這麼說可能會有點難以理解。
我們可以先想想，現在所有的大模型，包括GPT-5、Gemini 2.5 Pro，它們是怎麼看視頻的。
很多人以爲他們跟人一樣，就是搬個小板凳擱那坐着，目不轉睛的看完了整個視頻？
錯了，不是這樣的。
現在大模型的主流做法，本質上不是看視頻，是看照片。
它們會從視頻裏，每隔一段時間抽幀，也就是截取幾張靜態的圖片。 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。
然後，AI會用它那分析靜態圖片（也就是空間信息）的能力，去分析這些所有的照片。
“哦，這張照片裏有噪點。” “哦，這張照片裏還是噪點。” “哦，這張照片裏依然是噪點。”
最後，它得出結論： “這特麼就是個噪點視頻。”
這就是最本質的問題所有，AI徹底丟掉了所有的幀與幀之間的信息。
而那個“漂浮的心形”和“噪點中的鹿”，其實本質上，它們的信息恰恰只存在於幀與幀之間。
這其實，就是，時間維度。
在任何一個單獨的瞬間，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播放，讓時間流動起來，你才能看到他們。
突然想起了以前做交互設計的時候，有一個幾乎刻在我血液裏的心理學，這玩意，叫格式塔心理學。
幾乎就是用戶體驗行業的基石之一。
裏面有一個非常牛逼的原則，叫“共同命運法則”（Law of Common Fate）。
這個法則是說，我們的大腦會本能地、自動地、不講道理地，把朝着同一方向運動的物體，識別爲一個整體。
這玩意幾乎就是刻在我們的史前基因裏面的。
比如在幾萬年前的草原上，我們的老祖宗“智人坤坤”，正蹲在草叢裏。
他眼前是一片隨風擺動的、雜亂的灌木。
突然，在灌木叢中，有一小片葉子的擺動方式，跟周圍所有的葉子都不一樣，它們在以一個相同的規律，朝着同一個方向（比如坤坤的方向）緩慢移動。
坤坤的大腦，甚至不需要他思考，就會立刻拉響警報： “臥槽！快跑！老虎來了！！！有危險！！”
那些“共同運動”的像素點，在坤坤的大腦裏自動組合成了老虎這個整體。
所以，你看，當你看到那個“噪點鹿”的視頻時，你根本不需要努力，你大腦裏的共同命運法則就自動啓動了。
它幫你把所有一起往上移動的噪點歸爲一類，識別爲“鹿”，把所有一起往下移動的噪點歸爲另一類，識別爲“背景”。
你之所以能看到鹿，不是因爲你看見了鹿，而是因爲你看見了運動本身。
但AI不行。它沒有我們這套“共同命運法則”的視覺系統。
它的架構，論文裏叫 "Spatial Bias"空間偏見，決定了它只能先去識別空間上的特徵。
它看每一幀，都是一堆雜亂無章的噪點。
但它無法從時間的維度上，去發現這些噪點之間“共同的命運”，所以，它看不到那隻鹿。
這個問題，在論文中，被稱爲。
時間盲視，Time Blindness。
目前看，好像沒有啥解決辦法，不僅僅是一個技術漏洞了，或者一個可以喂數據就能解決的小bug，論文裏也試了，微調訓練也沒用。
我們活在流中，而AI活在幀中。
這個世界對我們來說，首先是連續的、流動的、充滿過程的。
而對AI來說，這個世界首先是離散的、靜態的、充滿物體的。
太有意思了，這是我最近，看到的最哲學最讓我喜歡的一段表述。
我們現在理解了噪點，讓我們回到最開始的愛心。
這時候，我其實又產生了問題，不對啊，運動這事，是時間維度的，但是那個愛心，明明就是一張圖，根本沒有時間屬性，那這玩意，到底爲啥也能讓人感覺到，動呢？？？
我沒理解，於是，我又進行了新一輪的研究......
結果，答案居然讓我有點無語......
答案特別簡單，就是因爲：
因爲我們自己會動。
還是，不受控制地動......
在20世紀50年代，眼動領域有一個實驗證明了一個事情，就是，人眼在注視時並非完全靜止，而是不斷進行微小的運動。
正是這些不自主的眼球運動，保證了我們對靜止圖像的持續感知。
這樣的視錯覺圖，基本上都是利用了我們這個會自己運動的特徵，來做出動態效果的。
爲了使人類能夠看見，視網膜上的圖像必須持續發生一定程度的運動。
反過來講，如果某個視野（無論其大小、顏色或亮度）保持嚴格的靜止，那麼在1~3秒內，該區域就會在視野中逐漸消失。
視覺科學裏有個差不多的理論是特克斯勒消逝效應，說的是當人們長時間注視一個固定點時，周邊視野中不變的刺激會逐漸淡化甚至消失。
聽起來挺繞的，但如果你想試一下，刻意控制眼球靜止不動的話，你可以放大這張圖，然後刻意的牢牢盯住中間的十字。
應該可以感覺到十字周圍的顏色在慢慢消失，然後變成一片灰白色。
這就是著名的特克斯勒消逝效應的哲學。
沒有變化，則等於沒有信息。
這篇文章寫着寫着，突然感覺回到了7、8年前還在做用戶體驗設計的時候，天天研究認知心理學的日子。
那時候，我們天天在研究人，研究認知心理學，研究人的行爲、研究人的眼動路線、研究人的注意力、研究人的記憶，就想着，我們的產品，怎麼讓用戶體驗更絲滑一點，讓他更爽一點，我們的轉化率更高一點......
沒想到這麼多年以後，天天研究AI，發現到頭來。
又回到了當年。
原來當年研究了那麼久的知識，在如今的時代，又以另一種路徑，穿越了時空，散發出了新的光彩。
AI跟人，也真的都是超級有趣的物種。
在無數路徑上殊途同歸，卻又在各自的路線上，分道揚鑣。
但我還是更喜歡人一點。
畢竟，我們不僅能看到噪點中的鹿，我們還能看到沉默中的愛，看到無常中的美。
還有，那時間。
流逝的本身。
作者：卡茲克
本文經授權轉載自 數字生命卡茲克（ID：Rockhazix
