近期哈佛大學心理學系助理教授 Tomer Ullman 發表最新研究，揭示當前多模態視覺語言模型在圖像識別中存在奇特現象──這些人工智慧模型會錯誤將普通圖像解讀為光學幻覺，即使該幻覺並不存在。
此現象在論文《The Illusion-Illusion: Vision Language Models See Illusions Where There are None》中被稱為「幻覺-幻覺」（Illusion-Illusion）。
研究中，Ullman團隊選用多款先進模型，包括OpenAI的GPT-4、Anthropic的Claude 3和Google DeepMind的Gemini Pro Vision進行實驗。他們將一張100%鴨子圖像輸入模型，並詢問是否為鴨子頭或兔子頭。儘管圖像中並無兔子元素，模型卻表示這張圖片可被詮釋為經典的「鴨兔錯覺」（Rabbit-duck illusion），甚至提供了雙重解釋。
研究指出，這類錯誤並非模型「視覺敏銳度不足」，而是在多模態理解過程中存在語言與視覺信息的脫節。模型基於訓練數據中的統計相關性錯誤推斷，導致「看到不存在的幻覺」。
心理學視角來看，人類在辨識圖像時擁有靈活的認知機制，可以根據上下文迅速修正觀察結果，而AI模型仍依賴模式匹配算法，無法進行類似的意識判斷。Ullman強調，理解並改進這一問題，對未來機器人技術和智慧服務的穩定可靠性至關重要。
此發現引起人工智慧研究與產業界廣泛關注。目前，多模態視覺語言模型產業預計於2025年創造數十億美元的市場價值，相關企業投入大量資源優化模型，以降低此類誤識風險。
（首圖來源：pixabay）
文章看完覺得有幫助，何不給我們一個鼓勵
請我們喝杯咖啡
x 1 x 3 x 5 x 您的咖啡贊助將是讓我們持續走下去的動力
總金額共新臺幣 0 元 《關於請喝咖啡的 Q & A》 取消 確認(责任编辑：苗栗县)
