全網破防，AI「手指難題」翻車逼瘋人類！6根手指，暴露Transformer致命缺陷

新智元報道

編輯：Aeneas

【新智元導讀】最近，網友們已經被AI「手指難題」逼瘋了。給AI一支六指手，它始終無法正確數出到底有幾根手指！說吧AI，你是不是在嘲笑人類？其實這背后，暗藏著Transformer架構的「阿喀琉斯之踵」……

最近幾天，整個互聯網陷入陰影——

AI，在用數手指嘲笑人類。

人類給AI的這道題，指令很簡單：在圖中的每根手指上，依次標出數字。

當然題目中有個小陷阱，就是這只手其實有六個手指。

結果，Nano Banana Pro理直氣壯地在這只手上標出1、2、3、4、5，直接略過了其中一只手指。

這荒誕的場面，再一次震驚了網友們。

AI模型是真的這么傻嗎？

很多人不這么認為——或許，AI只是在裝傻，調戲人類而已。

很有可能，它是在嘲笑這些試圖測試自己的劣質人類。

為了通過圖靈測試，AI必須讓自己變得愚蠢一點，才能看起來像人類。如果太聰明，人類就破防了。

GPT-5.2，同樣翻車了

有人也拿這個問題去問GPT-5.2，而且prompt里明明白白寫了圖里有六根手指。

但GPT-5.2面對「圖里有幾根手指」的問題，還是斬釘截鐵地說：五根！

理由就是：人類有五根手指，所以圖里沒有五根手指就是錯的。

還有人把手指畫得奇形怪狀，人類都要難倒的地步。

但面對這張圖，Nano Banana Pro依然斬釘截鐵地回答：5根，我確信，就是5根！

總之，無論畫成什么樣子，AI始終無法數出6根手指。

為了讓AI數對手指，網友們瘋了

有人不信邪了，非要讓模型畫對數字不可。

他直接給出指令：把4左移一個手指，把5左移一個手指，然后在大拇指那里寫上6。

夠清晰了吧？結果，模型照樣不聽，直接把3給弄沒了。

網友直接原地被逼瘋。

其他網友為了幫他，奇招百出，比如讓模型把手畫的數字改成電子版的，總算成功了。

也有人告訴模型依次在小指到大拇指上放數字，不要重復，結果也成功了。

AI數手指，為什么數不對

所以，為什么AI很難數對幾根手指呢？

有人給出這樣的解釋：AI找的是基本形狀，而非精確圖像，然后將該形狀代表的傳統認知和實際外觀進行比較。

有人猜，是否能告訴AI這不是手，而是不規則物體，從而規避掉AI大腦中的「偏見」？

結果，他果然成功了。

網友們隨后試驗了各種奇形怪狀的手，果然，這回Gemini就答對了。

或許AI之前已經被訓練了識別特定的emoji，如果換成別的圖，它反而可以做正確的視覺推理了。

手指難題，AI目前的大bug

這次AI數手指大翻車，也揭露了當前模型的一個關鍵缺陷——思考的機械和割裂。

很有可能，文本模型看到指令后，內部邏輯是這樣的：「手有五根手指，所以需要五個數字。」

所以，即使它「看到」了六指圖像，它的視覺識別能力也不足以糾正這種根深蒂固的文本認知。

為什么AI如此執著于「五指」的概念？這是源于它訓練數據的基本特征。

在人類手部圖像數據中，五指手占據絕對主導地位。

而模型已經從海量數據中學到「人手=五指」這一強關聯，以至于當情況偏離這一情況時，模型會視為異常，自動糾錯，而并不會認為自己需要理解一個新事實。

具體來說，當前AI視覺系統的工作方式，本質上是將復雜場景簡化為一組可識別模式。

當面對像六指手這樣同時包含常見元素（手部）和罕見特征（多指）的圖像時，系統傾向于將其強行納入已知模式。

圖像分類器通常輸出邊界框和標簽，但當遇到訓練分布之外的物體時，邊界框可能缺失或錯誤合并多個對象。

一個殘酷的真相就是，性能再厲害的模型，也不懂什么叫「5根手指」。

因為，AI看到的是紋理、形狀、概率，而不是結構，不是數量，不是實體。

Transformer，并行計算的代價

而手指難題，也凸顯出了Transformer架構的一大弱點。

Transformer架構的并行計算能力，是當今AI飛速發展的關鍵，但這種設計也存在代價。

單次前向傳遞無法有效追蹤狀態信息，系統難以執行需要多步驟邏輯推理的任務。

面對六指手，AI就會缺乏「注意到異常-重新評估-調整方案」的連貫思維鏈條。它只是機械地應用從訓練數據中學到的最強模式。

手的特殊性，在于數量固定、結構復雜、局部高度相關，而對于AI來說，多局部一致性、跨區域約束、數量不可變，恰巧是Transformer最不擅長的，堪稱地域難度。

擴散模型的本質

從另一個角度分析，也可以這么理解。

擴散模型的本質是學習一個從噪聲到清晰圖像的概率分布逆推過程。

它擅長捕捉數據的整體分布和紋理風格（例如，生成一只「看起來像手的輪廓」）。

但在精確控制局部、離散、高對稱性的結構（例如，五根長度、位置、關節關系都正確的手指）時，就顯得力不從心了。

從數據上看，訓練數據中「五指」的絕對主導地位，使模型將「五指」視為不可違反的強統計先驗。

就像一個看了100萬只五指手的畫家，你讓他畫六指手時，他總會無意識地將第六指融入到其他五指的陰影或姿勢中，因為他的大腦早已深深刻入「手即五指」的概念。

從算法層面上看，擴散模型在去噪的每一步，都是基于整個圖像的潛在表示進行全局預測。它沒有為「手指」這類特定結構設立顯式的、受保護的局部計算單元。

因此，細微的噪聲擾動或步驟誤差，很容易在密集區域被放大，導致細節扭曲。

從架構層面看，現有模型是「端到端」的，直接從文本提示映射到像素。中間缺乏一個明確的、符號化的結構表示層。

因此，「長什么樣」和「結構是什么」兩者沖突時，它就大腦宕機了。

而如果想解決這些瓶頸，或許業界就需要采用混合建模的模式——將擴散模型（擅長紋理）與顯式結構模型（如3D網格）結合。

或者引入局部注意力與約束——在模型架構中強化對特定區域（如手部）的局部注意力機制，或在訓練/推理過程中引入幾何約束損失函數。

當代AI的阿喀琉斯之踵

讓人感慨的是，Transformer最強的地方（Token-to-token預測），反而成了它的致命短板。

沒有對象概念，沒有顯式結構約束，整個世界都被打平為token序列。

誠如一位網友所言：「視覺數據的復雜性遠超文本，我們可能需要數十個數量級更多的計算資源，才能真正理解和處理視覺世界的全部細微差別。」

雖然在語言、知識、編碼等領域，它們已遠超常人，但在視覺推理、長期學習、因果關系理解上，它們仍然不足。

「手指難題」猶如一面鏡子，照出了當前以擴散模型為代表的AI模型的阿喀琉斯之踵——

它們在學習和復現數據的連續分布上取得了革命性成功，但在理解和生成精確的離散結構和拓撲關系上，仍然依賴于數據中的強統計先驗，缺乏真正的物理和幾何推理能力。

而如果想要徹底解決「手指難題」，就需要更先進的架構、更多樣化的訓練數據，以及人類對AI能力更清醒的認識。

在這個AI無所不能的時代，「手指難題」提醒我們——

即使是如今最先進的AI，也仍在學習如何看待世界的基本細節。

參考資料：

https://www.reddit.com/r/singularity/comments/1plw8hc/i_feel_like_the_model_is_mocking_me/

秒追ASI

?點贊、轉發、在看一鍵三連?

點亮星標，鎖定新智元極速推送！