人类轻而易举就能识别的文字，ai模型却集体“失明”。来自a*star、新加坡国立大学（nus）、南洋理工大学（ntu）、清华大学、南开大学等机构的联合研究团队揭示了一个令人震惊的现象：无论是openai的gpt-5、gpt-4o，谷歌的gemini系列，anthropic的claude，还是国内的通义千问（qwen）、llava等顶尖视觉语言模型，在面对某些“看得见但读不懂”的文字时，几乎全部表现糟糕，彻底“翻车”。
这项研究由VYU团队主导，设计了两个巧妙实验。
第一个实验选取100个常见四字成语，将每个汉字进行横切、竖切或斜切，随后打乱碎片并重新拼接。尽管这些文字在视觉上被严重破坏，人类仍能轻松还原其含义。然而，几乎所有测试中的AI模型都未能正确识别，错误率极高。
第二个实验聚焦英文，挑选100个八字母单词，将其前半部分用红色显示，后半部分用绿色显示，并将两者叠加成一张图像。由于人眼对红绿通道具有高度分辨能力，大脑可自动分离颜色信息并整合出完整词义——这对人类而言几乎毫无难度。但AI模型却频频出错，即便是最新发布的Gemini 2.5 Pro、Kimi 2（Switch to 1.5 for visual understanding）、Qwen3-Max-Preview等强大模型，也无法稳定输出正确结果。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
VYU团队深入分析指出，问题根源在于AI缺乏真正的“理解”机制。当前大模型依赖的是大规模数据中的模式匹配，而非对文字结构的认知。人类之所以能轻松解读变形或重叠的文字，是因为我们具备关于文字构成的先验知识：汉字由偏旁部首组合而成，英文单词按字母序列排列。这种结构性认知使我们能在信息残缺或干扰下依然准确解码。
而AI模型则不同，它们将文字视为整体图像块来处理，缺少符号分割与语义重组的能力。一旦文字形态发生非标准变化，哪怕只是轻微扰动，模型就会陷入混乱，无法提取有效语义。
这一发现具有深远意义，直指AI落地应用中的核心瓶颈。
在教育场景中，学生手写笔记可能存在涂改、连笔或不规范书写，若AI无法准确识别，则智能批改、个性化辅导等功能将大打折扣；在无障碍技术中，视障辅助系统若不能稳健解析复杂排版或模糊文本，用户体验将受限；在古籍数字化和科研档案整理中，面对褪色、破损或重叠书写的原始资料，AI可能远不如人工高效可靠。
更值得警惕的是安全风险：攻击者可能利用这一“视觉盲区”，通过构造AI无法识别但人类可读的隐蔽文本，绕过内容审核、恶意信息检测等AI驱动的安全防线。
VYU团队呼吁，要让AI获得类似人类的阅读韧性，必须重新审视现有视觉语言模型（VLMs）的设计范式。未来方向可能包括：引入更具结构感知能力的训练数据、构建强调字符分割与组合的先验知识模块，或是探索全新的多模态融合架构。
更重要的是，这项研究再次提醒我们：人类的阅读绝非简单的“看图识字”，而是一个融合视觉感知、语言结构、上下文推理乃至常识判断的复杂认知过程。我们在阅读时，大脑会调动多种神经通路协同工作，实现快速解码与深层理解。
相比之下，当前AI还停留在表层模式识别阶段，距离真正的“理解”仍有本质差距。
这也意味着，在通往通用人工智能的道路上，我们仍需持续突破基础理论与模型架构的局限。不能止步于性能提升的表面成果，而应深入探究认知机理，推动AI向更具鲁棒性、解释性和类人智能的方向演进。
论文链接：https://www.php.cn/link/2e93fad1e91614dbea27879646a09bd6
