📋 多平台草稿预览（12平台差异化改编）

90%准确率瞬间崩塌！经典心理学测试揭示AI的致命缺陷，大模型为何栽在“找颜色”上？

一个看似简单的注意力测试，却让GPT-4、Claude等顶级AI模型集体“翻车”。当任务从10项增加到30项，它们的准确率从90%以上暴跌至接近零。这个发现，或许将重新定义我们对AI能力的认知。

还记得那个经典的“斯特鲁普效应”测试吗？当“红色”这个词用蓝色墨水书写时，人类需要额外的时间才能正确说出墨水的颜色。这个心理学经典测试，如今成了AI模型的“照妖镜”。

来自顶尖研究机构的一个团队，给当前最先进的大语言模型做了一次“灵魂拷问”：让它们在越来越长的列表中，找出特定颜色的词汇。结果令人震惊——当列表从10项扩展到30项时，那些在各类基准测试中“封神”的模型，准确率从90%以上断崖式下跌，有些甚至跌到了接近随机猜测的水平。

一个简单的颜色识别任务，为何会成为AI的“滑铁卢”？

从“找颜色”到“找不着北”

研究人员设计了一个看似简单的实验：向AI模型展示一个颜色词汇列表，然后询问某个特定颜色是否出现。比如，在“红色、蓝色、绿色、黄色”中，问“红色出现了吗？”

这个任务对人类来说几乎毫无难度，即使是儿童也能轻松完成。但当列表长度增加，任务复杂度上升时，AI模型的“大脑”——那些经过千亿参数训练的神经网络——开始出现系统性崩溃。

“我们最初只是想测试模型的注意力机制，”研究团队表示，“但结果远超预期。这不是简单的性能下降，而是灾难性的失效。”

实验数据显示，在10项列表上，顶尖模型的表现接近完美，准确率超过90%。但当列表扩展到30项时，一些模型的准确率暴跌至接近0%——这意味着它们不仅无法正确回答问题，甚至可能完全失去了处理信息的能力。

“注意力”的幻觉：AI的隐藏短板

这个发现之所以重要，是因为它揭示了AI模型与人类认知之间的根本差异。

人类在面对这类任务时，会使用一种称为“选择性注意”的机制——我们会主动忽略不相关的信息，专注于目标。而AI模型，尽管在无数任务上表现出色，却缺乏这种真正的选择性注意能力。它们更像是在进行一种“统计匹配”，而不是真正的“理解”。

更令人担忧的是，这种缺陷并非仅限于颜色识别。研究人员发现，随着任务复杂度的增加，AI模型在各类信息检索和模式识别任务上都表现出类似的退化趋势。

“这就像给一个天才学生做一份超长试卷，前10题他全对，但做到第30题时，他突然连题目都读不懂了，”一位参与研究的科学家如此比喻。

模型越大，问题越大？

最令人意外的发现是，模型规模与性能退化之间的关系并非简单的线性关系。一些参数更大的模型，在某些复杂场景下反而表现得更差。

这挑战了业界“更大即更好”的主流观念。过去几年，AI行业一直在追求更大的模型、更多的参数、更长的上下文窗口。但这项研究表明，这种“暴力美学”可能正在掩盖更深层的问题——模型可能并未真正理解信息，而是在利用统计规律“作弊”。

这也解释了为什么在实际应用中，AI系统经常在看似简单的任务上出现匪夷所思的失误。比如，在处理长文档时突然“失忆”，或者在多轮对话中逻辑混乱。

对AI发展的警示

这项研究给火热的大模型发展泼了一盆冷水。它提醒我们，当前AI技术的核心——Transformer架构和注意力机制——可能存在着根本性的局限。

“我们需要重新思考AI系统的设计理念，”研究团队警告，“单纯增加模型规模和数据量，可能无法解决这些基础性的认知缺陷。”

这不禁让人想起图灵测试的初衷：真正的智能应该能够处理无限变化的任务，而不是在特定条件下“超神”，在其他条件下“崩溃”。

对于AI行业来说，这项研究既是一个警示，也是一个机遇。它指明了一个重要的研究方向：如何让AI模型具备真正的、可持续的注意力机制，而不是仅仅依赖统计相关性。

或许，下一代AI的革命，就潜藏在这些“失败”的实验中。正如人类从错误中学习，AI的发展也需要正视这些短板，才能真正迈向通用人工智能。

毕竟，如果连“在一串词语中找颜色”这样的任务都无法稳定完成，我们又如何能放心让AI去处理更复杂的现实世界问题呢？

排版建议：

标题字号 18px，加粗
正文 15px，#333333
引用块 #888888 14px
代码块使用深色背景
段落间距 1.75 倍行距
图片居中，宽度 100%

ScienceDaily - “A classic brain test exposed AI's biggest weakness”

标签：AI局限, #, 大模型, #, 注意力机制, #, 认知科学, #, 技术反思

知乎回答

问题：如何看待 90%准确率瞬间崩塌！经典心理学测试揭示AI的致命缺陷，大模型为何栽在“找颜色”上？？

一个看似简单的注意力测试，却让GPT-4、Claude等顶级AI模型集体“翻车”。当任务从10项增加到30项，它们的准确率从90%以上暴跌至接近零。这个发现，或许将重新定义我们对AI能力的认知。

一个看似简单的注意力测试，却让GPT-4、Claude等顶级AI模型集体“翻车”。当任务从10项增加到30项，它们的准确率从90%以上暴跌至接近零。这个发现，或许将重新定义我们对AI能力的认知。

一个简单的颜色识别任务，为何会成为AI的“滑铁卢”？

从“找颜色”到“找不着北”

“我们最初只是想测试模型的注意力机制，”研究团队表示，“但结果远超预期。这不是简单的性能下降，而是灾难性的失效。”

“注意力”的幻觉：AI的隐藏短板

这个发现之所以重要，是因为它揭示了AI模型与人类认知之间的根本差异。

“这就像给一个天才学生做一份超长试卷，前10题他全对，但做到第30题时，他突然连题目都读不懂了，”一位参与研究的科学家如此比喻。

模型越大，问题越大？

最令人意外的发现是，模型规模与性能退化之间的关系并非简单的线性关系。一些参数更大的模型，在某些复杂场景下反而表现得更差。

对AI发展的警示

这项研究给火热的大模型发展泼了一盆冷水。它提醒我们，当前AI技术的核心——Transformer架构和注意力机制——可能存在着根本性的局限。

“我们需要重新思考AI系统的设计理念，”研究团队警告，“单纯增加模型规模和数据量，可能无法解决这些基础性的认知缺陷。”

这不禁让人想起图灵测试的初衷：真正的智能应该能够处理无限变化的任务，而不是在特定条件下“超神”，在其他条件下“崩溃”。

或许，下一代AI的革命，就潜藏在这些“失败”的实验中。正如人类从错误中学习，AI的发展也需要正视这些短板，才能真正迈向通用人工智能。

毕竟，如果连“在一串词语中找颜色”这样的任务都无法稳定完成，我们又如何能放心让AI去处理更复杂的现实世界问题呢？

总结：

这个事件/技术的核心价值在于它推动了一个重要方向的发展。作为从业者/关注者，我们既要看到短期的影响，也要理解其长期意义。

ScienceDaily - “A classic brain test exposed AI's biggest weakness”

原文链接：https://www.sciencedaily.com/releases/2026/06/260610003049.htm

抖音口播脚本