关于 AI 识图的 5 大常见误区
作者 Chatday Editorial Team ·
给 AI 看一张狗的照片,问它狗有几条腿。它会回答四条。现在把照片 P 成五条腿,再问一次。它依然会说四条。
这可不是故意找茬的段子。它出自一篇名为“Vision Language Models Are Biased”(视觉语言模型存在偏见)的研究论文,该论文已被 AI 顶级会议 ICLR 2026 接收。当研究人员向模型展示多出一条腿或少了一条腿的动物时,AI 数对的概率仅为 2.12%。
然而,同样是这类 AI,却能读懂模糊的收据、解释复杂的设置界面,甚至告诉你窗台上放的是什么植物。那它到底能不能“看懂”照片?其实,大众对它的认知多半只对了一半。下面我们结合研究,逐一破解五个常见误区。
误区一:“AI 看照片的方式和人一样”
大错特错。 你看照片时,看到的是画面里实际存在的东西。而处理图像的 AI(专业术语叫视觉语言模型)更像是在“识别”然后“回忆”。它认出这是“狗”,想起狗有四条腿,然后直接报出这个数字。研究人员说得很直白:这些模型“根本没有在数”。
识别 Logo 也是同样的情况。给著名的阿迪达斯三道杠 Logo 加上第四道杠,模型依然会说是三道。在七类经过修改的图像(动物、Logo、棋盘、桌游、视错觉和图案网格)中,他们测试的 2025 年模型在计数问题上的平均准确率仅为 17.05%。但在未修改的原图上,它们却能全对。
在修改过的图像中,它们大约四分之三的回答都是“预期”数字:也就是模型脑子里记住的数字,而不是图片里实际的数字。一项名为“Vision Language Models Are Blind”(视觉语言模型是盲目的)的早期研究在绘制图形中也发现了同样的规律。当被要求数一个类似奥运 Logo 的重叠圆圈时,某个 Gemini 模型在将近 99% 的错误回答中都给出了“5”,不管实际数字是多少。因为奥运五环是五个圈。
总结一下:AI 非常擅长识别熟悉的事物,但很难察觉这些熟悉事物发生的改变。
误区二:“AI 能拿数学奥赛金牌,看个时钟肯定不在话下”
其实费了不少劲。 这个误区最让人意外。2025 年 9 月,一项名为 ClockBench 的基准测试要求 AI 模型读取指针式时钟:读出时间、区分时针分针,以及推算几分钟后时钟会显示什么。人类的平均准确率是 89.1%,而受测的 11 个模型中,表现最好的也只拿到了 13.3%。
斯坦福大学 2026 年 AI 指数报告将其作为“锯齿状智能”(jagged intelligence)的经典案例:AI 能拿国际数学奥赛金牌,却连个时间都看不准。看时钟其实出奇地复杂。模型需要精确判断角度、区分两根相似的指针,然后再做点简单的算术,而且网上的指针式钟面数据比纯数字电子钟少得多。
好消息是,这方面的进步非常神速:
| 时间 | ClockBench 最高 AI 得分 | 人类平均水平 |
|---|---|---|
| 2025 年 9 月(发布时) | 13.3% | 89.1% |
| 2026 年 3 月(斯坦福 AI 指数) | 50.6%(GPT-5.4) | 约 90% |
| 2026 年 11 月(公开排行榜) | 87.8%(Claude Fable 5.2) | 90.7% |
如今,排行榜前五名被 Claude Fable 5.2、Gemini 4 Carbon、Gemini 4 Argon、Claude Opus 5.5 和 GPT-6 Astra 包揽,且都开启了最高级别的思考模式。虽然人类依然略胜一筹,但在短短一年左右的时间里,AI 的表现已经从“没救了”追到了“相当接近”。
误区三:“照片更清晰、更大,AI 就不会出错了”
基本不成立。 听起来挺合理:既然 AI 看错了,那就给它一张更清晰的图。但在前述“盲目”研究中,改变颜色、线条粗细或图像分辨率,对模型数重叠圆圈的表现几乎没有影响。问题不在于它们看不清形状,信息明明就在那里,难的是把视觉信息转化成正确的文字描述。
真正有帮助的是减少画面干扰。在“偏见”研究中,去掉修改图像的背景后,准确率几乎翻了一番,跃升了约 21 个百分点。杂乱的背景会给 AI 提供更多线索,让它更容易依赖自己的“预期”(“这是个农场,所以那肯定是只正常的狗”),而不是去关注眼前实际看到的东西。
误区四:“让它再仔细看一遍就行了”
收效甚微。 在“偏见”研究中,要求模型复核,或者强调“仅根据图像内容回答”,平均只能让计数准确率提高 2 个百分点。让模型思考更长时间在一定范围内有用,准确率能升到 40% 左右,但再往后反而会因为它“想太多”而变得更糟。
更有效的方法是换个问法。直接问“有多少?”很容易触发它的记忆回答。让 AI 先梳理一遍图片,能迫使它把注意力集中在画面本身:
- “从左到右列出这张照片里的每个人,然后再告诉我总共有多少人。”
- “描述一下时针和分针分别指向哪里,然后再告诉我现在几点。”
- “把这张收据上的每一行都读出来,然后再计算总价。”
如果它一步步的描述出错了,你马上就能看出来,这正是关键所在。你能清楚看到它在哪一步出了岔子,而不是只得到一个看似笃定的数字。
误区五:“图像 AI 太不靠谱了,根本没法用”
大错特错,这也是最需要摒弃的误区。 上面提到的所有翻车案例,都来自故意设置的刁钻测试:修改过的 Logo、多出来的腿、奇怪的钟面。这些测试就是为了找茬而设计的,而且找得很准。但同时,它们也暴露出这些弱点正在迅速缩小。“偏见”研究团队报告称,2026 年 10 月发布的 GPT-6 Astra 在同一测试中拿到了 84.10% 的成绩,而 2025 年的模型平均只有 17%。
不过有个细节值得注意。研究人员表示,当 Astra 答错时,92.4% 的情况下它给出的都是死记硬背的答案。这个老毛病还没彻底改掉,只是发作的频率低多了。
在日常使用中,情况其实乐观得多。描述场景、读取印刷文本、解释截图、识别常见物品:这些都在发挥 AI 识别熟悉事物的强项。这里有一份简单的指南,告诉你哪些情况可以放心用,哪些情况需要自己核对:
| 你的问题 | 可信度 | 原因 |
|---|---|---|
| “这张照片里有什么?” | 高 | 识别熟悉场景是它的强项 |
| 读取印刷文本、菜单、指示牌 | 高 | 训练数据中包含大量清晰文本 |
| 解释截图或报错信息 | 高 | 它能读取屏幕并理解软件界面 |
| 数物体数量,尤其是数量较多时 | 需核对 | 它可能会直接报出“预期”数字 |
| 任何不寻常或经过修改的内容 | 需核对 | 它倾向于把异常事物“纠正”为正常状态 |
| 指针式时钟、仪表、表盘 | 需核对 | 表现有提升,但仍不如人类 |
顺便说一句,处理文字也是同样的道理。如果你好奇为什么 AI 以前连单词里有几个字母都数不明白,我们的科普文章 为什么 AI 数不对 strawberry 里有几个 r 解释了这其实是同一个问题的“近亲”。
想亲自验证这些结论,最简单的方法就是拿自己相册里的照片试一试。先选一张日常照片,再选一张有点奇怪的照片,让 AI 一步步告诉你它看到了什么。我们的指南 让 AI 解释任何照片或截图 里还有更多提问灵感。