AI，是色盲嗎?

這個問題聽起來很蠢。

畢竟現(xiàn)在的AI能識別人臉、讀懂圖片、生成圖像，甚至可以按RGB色值給你改顏色。

怎么可能是色盲，看不見顏色呢?

但最近發(fā)生的一件事，讓我開始開始覺得，這事不對。。。

昨天正好在辦公室和同事閑聊，聊到了顏色，我們剛來的實(shí)習(xí)生小朋友說，說他是紅綠色盲，然后我們的話題，就不知道怎么就聊到了色盲測試。

在現(xiàn)場找了幾張圖一起測試，

就那種一堆小點(diǎn)點(diǎn)里藏?cái)?shù)字的圖。

能看到的兄弟們可以把數(shù)字回復(fù)在公屏上。

我們那個實(shí)習(xí)生小朋友，居然真的有看不見的。

當(dāng)時大家還挺歡樂的，說，要不然，發(fā)給AI看看。

然后我們就發(fā)了，本來覺得，這么明顯的數(shù)字，對現(xiàn)在這種級別的AI來說，肯定就是送分題。

畢竟都一群AI都有自己的社區(qū)，都可以開AI宗教招收信徒了，一個色盲測試那不是小兒科嗎。

沒想到。

現(xiàn)在最能打的多模態(tài)模型Gemini 3 Pro，居然給我回了個74？？？

我當(dāng)時我都以為我色盲了。

我揉了揉眼睛，又看了好幾遍。

不對啊，這圖里的，絕壁是45。。。

我反手又試了一下Claude Opus 4.5。

結(jié)果，Claude給我回了個，8？？？

三個國產(chǎn)大模型，更是也都敗下陣來。

而且有兩個，答案一模一樣，也是74。

唯一一個答對的，是GPT 5.2 Thinking，花了5分鐘世界，我看了一下思維鏈，發(fā)現(xiàn)這玩意是純純用代碼作弊的。。。

硬生生的做了可視化數(shù)字掩膜。

我都懵了，這真的是一個非常無意中的發(fā)現(xiàn)。

人類色盲看不出來，我能理解，這是生物學(xué)的事。

就像下圖，同一把彩虹傘、同一個紅綠燈，正常人眼里色彩斑斕。

但在色盲眼里卻像開了濾鏡，根本分不清。

可AI看不出來，我就很難解釋。

它又沒有視網(wǎng)膜，也沒有什么缺陷，為什么會在這種題上翻車？

難道是因?yàn)榉植磺孱伾?/p>

我又很智障地去問Gemini 3 pro這張圖是什么顏色。

結(jié)果，這大哥它不僅能回答我的問題。

也能說很具體，鼠尾草綠、豆沙綠、青瓷色。

甚至特么的RGB和CMYK都給我寫出來了。

我去一個軟件里試了下，尼瑪，色號分毫不差啊。。。

所以問題不在顏色本身。

分辨紅綠藍(lán)，甚至區(qū)分細(xì)微的色差，對AI來說都不難。

難的是其他事。

我當(dāng)時，陷入了深深的思考。

那一瞬間，Clawdot和vibe coding都不香了，就想搞清楚這到底是為什么。

我花了將近一天的時間做DeepResearch、翻論文。

翻了很多東西我都感覺不是很相關(guān)，甚至感覺都有點(diǎn)牽強(qiáng)。

但就在我想放棄的時候，晚上，我查到了一篇，那一瞬間我感覺柳暗花明又一村了。

我也好像明白，AI為什么做不出來色盲測試題了。

論文名字還挺好玩。

叫《Pixels，Patterns，but No Poetry:To See The World like Humans》。

翻譯過來是《像素、模式，但缺少詩意：像人類一樣看世界》。

名字看著雖然跟色盲沒啥關(guān)系，但是里面的結(jié)論和實(shí)驗(yàn)，非常的相關(guān)。

先說結(jié)論：

現(xiàn)在的AI，根本就不是像我們?nèi)祟愐粯釉凇翱础笔澜纭?/strong>

它只是，在計(jì)算世界。

它能處理像素，能識別局部模式，但它無法理解這些像素和模式組合在一起后，涌現(xiàn)出的那個整體的、抽象的、富有美感和意義的東西，也就是論文標(biāo)題里的“詩意”（Poetry）。

聽著好像有點(diǎn)難理解，我覺個例子你就懂了。

先看這張圖，別急著往下翻。

這是一張圖里面的一個我截出來的局部，現(xiàn)在，請你告訴我，覺得通過這張圖來分析，它原來的完整的圖是什么？

我覺得一個腦子正常的人，看到這個問題和這張圖，他都會揍我，都會罵我有病。

說真的，那個人但凡多看我一眼都算我輸。

那我們，現(xiàn)在再把畫面推遠(yuǎn)一點(diǎn)，給你多看點(diǎn)。

你可能還是會懵逼，這尼瑪是個啥？但是，又模模糊糊的看到了一些家具的影子。

通過這張圖，你還是不太可能猜出，真正的圖是什么樣子的。

那現(xiàn)在，我們把真正的全圖放出來。

補(bǔ)上它的全局再看看。

剛才我截圖的局部，為了防止大家找不到這個地方，我還貼心的畫了一個大箭頭= =

大家是不是第一眼甚至都沒找到那玩意在哪。

這所謂的不可名狀的白色線條，其實(shí)只是最右側(cè)柜子上的一道高光。

你只看局部，又怎么可能真正的，看清全局。

就像，斷章取義，出自：不要斷章取義。

而這，就是AI現(xiàn)在的弊端。

我們再回頭看那張色盲測試圖。

對我們?nèi)祟悂碚f，我們看到的，直接就是全局，不是局部，更不是一堆棕色和綠色的圓點(diǎn)，我們的大腦瞬間就將那些顏色相近的棕色點(diǎn)組織成了一個有意義的整體，也就是數(shù)字“45”。

而剩下的綠色點(diǎn)，則自動被我們的大腦識別為背景噪音。

這是因?yàn)椋覀內(nèi)祟惪磮D，從來第都是自上而下。

認(rèn)知心理學(xué)里一個非常重要的流派，叫格式塔心理學(xué)，也是現(xiàn)代人機(jī)交互學(xué)科的奠基理論之一，它的核心觀點(diǎn)也就一句話：

整體大于部分之和。

一堆零碎的東西，只要有點(diǎn)規(guī)律，比如離得近、顏色像、走向一致，我們就會不講道理地把它們當(dāng)成一個整體來看。

比如你看下面這張圖，你看到了什么？

你在認(rèn)真看了兩眼之后，你大概率不會說，我看到了一堆不規(guī)則的黑色墨跡。

而是會說：我好像看到了一只狗，如果你對狗的品種有一些了解的話，你可能還會說，我看到了一只大麥町犬。

這只狗的形象，其實(shí)并不存在于任何一個單獨(dú)的墨跡里。

它是所有墨跡組合在一起后，在你大腦里“涌現(xiàn)”出來的一個整體概念。

你的大腦自動忽略了那些不重要的斑點(diǎn)，腦補(bǔ)了缺失的輪廓，最終看到了那只探頭探腦的大麥町犬。

這個腦補(bǔ)和看整體的能力，就是格式塔。

這是我們?nèi)祟愐曈X系統(tǒng)與生俱來的、底層的、幾乎是本能的能力。

但AI不是這樣的。

論文為了驗(yàn)證這件事，做了一個測試，叫圖靈視力測試（TET）。

就像當(dāng)年圖靈測試是為了驗(yàn)證機(jī)器能不能像人一樣思考，這個圖靈視力測試，是為了驗(yàn)證機(jī)器能不能像人一樣感知視覺。

里面有四個任務(wù)，分別是隱藏文本、3D驗(yàn)證碼、漢字組成。

以及我們今天文章的主角，色盲測試。

他們參考了石原色盲測試圖的形式，就是文章開頭那一堆彩色小點(diǎn)里藏?cái)?shù)字的圖。

并且，還增加了難度。

用一些顏色非常接近的點(diǎn)來進(jìn)行干擾，讓模型更難從整體形狀里看出數(shù)字。

用這些圖去測當(dāng)時最頂級的15個多模態(tài)大模型。

結(jié)果可以從這張表格看出來，密密麻麻的0。

幾乎是全軍覆沒。

我猜他們這幫人也很驚訝。

模型怎么就識別不了顏色中的數(shù)字呢？

為了找到答案，他們首先想搞清楚：AI到底在看什么？

他們用了一個技術(shù)，叫Grad-CAM（梯度加權(quán)類激活映射）。

這個東西光讀名字就很拗口，我用大白話給大家解釋下。

可以把它理解為給AI的思考過程拍個X光，讓你能看見它的眼睛到底在盯哪里，注意力落在什么地方。

如下圖，顏色越亮，發(fā)黃光的地方，是模型最在意的地方，就是對目前答案貢獻(xiàn)最大的區(qū)域。

我知道這張圖看著還是有點(diǎn)難理解，手動又用紅色單獨(dú)處理了一下。

紅色是AI盯著看的區(qū)域，就是注意力落點(diǎn)的位置。

通過這個技術(shù)，就能驗(yàn)證，AI到底是在看數(shù)字的輪廓，還是被周圍的噪點(diǎn)給帶偏了。

現(xiàn)在，我們把AI，看整個過程的圖都放出來，也就是論文里，論文里拿了一張寫著“M3”的色盲測試圖，讓模型去認(rèn)。然后用Grad-CAM把AI“看”這張圖的過程給全程直播了出來。

得先說一下，一個多模態(tài)AI的內(nèi)部工作流，可以簡單粗暴地分成兩部分：

ViT (Vision Transformer)：是負(fù)責(zé)看圖的視覺編碼器，可以理解成是AI的眼睛，主要是通過看圖，把看到的東西轉(zhuǎn)化成信息。

LLM (Large Language Model) ：是負(fù)責(zé)組織答案的語言端，可以理解成是AI的大腦，主要是接收ViT（眼睛）傳來的信息，思考組織后說出答案。

你會看到，每個階段都有一些亮度變化。

比如第五張圖里，其實(shí)能看到模型捕捉到了一點(diǎn)M3的影子。

然后就徹底遠(yuǎn)離了正確答案。

往后看，亮的地方越來越分散。

結(jié)果當(dāng)然是慘不忍睹的。

大腦收到的，就是一堆被眼睛看到的破碎的毫無重點(diǎn)的視覺信號。它拼了命地想從這堆垃圾信息里找出點(diǎn)規(guī)律，但根本找不到。

最后，它只能放棄治療，在記憶庫里隨便抓了個看起來最像的答案“74”，然后硬著頭皮說了出來。

所以，通過這個Grad-CAM的熱力圖，論文的作者們基本就破案了：

AI不是看不懂，它是從一開始看的方式就有大問題。

這就回到了我們開頭那個柜子高光的例子。

AI看圖的方式，存在一個根本性的、可以說是娘胎里帶的缺陷，就是它看圖，是真的斷章取義。

現(xiàn)在的AI視覺模型（ViT），它的工作原理，就是先把一張圖片，不由分說地切成一堆比如說是16x16像素的小方塊（patches），就像切蛋糕一樣。然后，它挨個去分析每個小方塊里有什么紋理、什么顏色。

最后，再試圖把這些小方塊的分析結(jié)果給拼湊起來，理解整張圖。

這個“先切碎，再拼湊”的工作模式，決定了它是個天生的細(xì)節(jié)控。它對局部的像素和模式極其敏感，但對這些部分組合起來形成的那個整體，卻極其遲鈍。

人類看東西時，大腦會先并行處理各種特征，比如顏色、形狀、方向。

接著在注意力的作用下，把這些特征綁在一起，變成一個完整對象。

比如，你看到一個紅色的蘋果，大腦會先看到它是到紅色的、圓的、表面光滑的。

通過注意力的整合，大腦給它貼上蘋果這個標(biāo)簽。

這個叫做特征整合理論。

我們?nèi)祟惖囊曈X，是主動的、有目的的、懂得取舍的。 我們會用注意力這把刀，精準(zhǔn)地剔除無關(guān)的噪音，然后把有用的特征縫合成一個整體。

但是AI不會。

它的注意力是攤大餅式的，是被動的，是雨露均沾的。

在它看來，構(gòu)成數(shù)字“45”的那些棕色點(diǎn)，和作為背景的綠色點(diǎn)，重要性是差不多的，它無法形成一個“我要把棕色點(diǎn)組合起來”的宏觀目標(biāo)。

于是，它的注意力就被海量的、同等重要的像素點(diǎn)給稀釋了、沖散了。信息越豐富，它的注意力就越貧乏。

最后，就在這片像素的汪洋大海里，徹底迷失了方向。

所以，你看，我們和AI看見世界的方式，從根上就不同。

我們在選擇中看見，AI在計(jì)算中迷失。

聊到這里，我們似乎可以給開頭那個問題一個更準(zhǔn)確的答案了。

AI不是我們真正意義上的色盲。

它更像是一個患有嚴(yán)重“注意力缺失癥”的患者。

它擁有頂級的視網(wǎng)膜，能識別精準(zhǔn)的RGB值，但它的大腦無法有效地指揮這雙眼睛，去關(guān)注真正重要的東西。

它就像一個擁有全世界所有樂高積木的孩子，卻不知道該如何拼出一個城堡。它只能呆呆地看著滿地的零件，給你數(shù)出這里有幾塊紅的，幾塊藍(lán)的。

這就是《像素、模式，但缺少詩意》這篇論文真正想表達(dá)的東西。

那個“詩意”，那個“格式塔”，那個“整體”，并不是某種神秘的、玄學(xué)的東西，它其實(shí)就是一種高效的、懂得取舍的信息組織方式。

而這，恰恰好像是目前的AI，最最缺乏的東西。

它在模仿人類的智商，但還沒來得及學(xué)習(xí)人類的智慧。

而智慧的本質(zhì)，在我看來，不就是知道該看什么，不該看什么嗎？

知道什么不該做，遠(yuǎn)比知道什么該做，更為重要。

不過，我還有最后一個問題。

就是，為啥只要一讓大模型做色盲測試，他們總是愛回答一個數(shù)，那就是：

74。

我做了一天的測試，現(xiàn)在看到74這個數(shù)字，都有點(diǎn)PTSD了。

在最后，我又搜了半天，居然還給我找到了答案。

那就是，如果你在維基百科上搜石原色盲測試的標(biāo)準(zhǔn)圖。

上面的數(shù)字，就是74。

好家伙，原來又在這背書。。。

當(dāng)AI無法從細(xì)節(jié)提取出整體的全局時，它就會參考已有的細(xì)節(jié)，轉(zhuǎn)向記憶。

更直白點(diǎn)說，它會背答案。

跟我之前寫過的那篇，底層邏輯幾乎一樣。

有時候真的還挺感慨，人類這個大自然最神奇的造物，還真是挺美妙的。

就連看見這事本身，它也是從光開始的。

所以無論是中國的盤古開天辟地還是西方的上帝造物， 這些神話故事中的世界都是從光打破黑暗展開。

光射到不同的物體上，有些波長被吸收，有些被反射。

我們只能看見被反射出來的光，那些被吸收的光我們永遠(yuǎn)看不到。

反射的光進(jìn)入我們的眼睛后，經(jīng)過視網(wǎng)膜上的細(xì)胞處理，大腦才給它賦予了紅色、藍(lán)色、綠色這些概念。

所以說，世上本沒有顏色。

它不是客觀存在的物理屬性，它是人類視覺系統(tǒng)和大腦共同選擇的主觀感受和認(rèn)知體驗(yàn)。

更是，我們的意識理解世界的方式。

我們也終究是活在關(guān)系里的生物。

我們看事物也從來不是孤立的點(diǎn)，是點(diǎn)與點(diǎn)之間連成的線，線與線之間圍成的面，面與面之間涌現(xiàn)的詩。

AI的世界，一直都很像一片無垠的像素之海。

每一滴水，它都可以分析得清清楚楚，成分、溫度、折光率，了如指掌。

但它卻從未見過潮汐，也無法理解風(fēng)暴，更不懂得，為何我們會對著一片汪洋，心生敬畏。

它總是在那個像素的海洋里，背誦著那如同宇宙真理一般的孤獨(dú)的“74”。

而我們。

只需抬頭，便能看見滿天星辰。

以上，既然看到這里了，如果覺得不錯，隨手點(diǎn)個贊、在看、轉(zhuǎn)發(fā)三連吧，如果想第一時間收到推送，也可以給我個星標(biāo)?～謝謝你看我的文章，我們，下次再見。

>/ 作者：卡茲克、可達(dá)

>/ 投稿或爆料，請聯(lián)系郵箱：wzglyay@virxact.com