AI翻车：6根手指暴露Transformer缺陷，全网破解难题
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
新智元报道
编辑：Aeneas
【新智元导读】最近，网友们已经被AI「手指难题」逼疯了。给AI一支六指手，它始终无法正确数出到底有几根手指！说吧AI，你是不是在嘲笑人类？其实这背后，暗藏着Transformer架构的「阿喀琉斯之踵」……
最近几天，整个互联网陷入阴影——
AI，在用数手指嘲笑人类。
人类给AI的这道题，指令很简单：在图中的每根手指上，依次标出数字。
当然题目中有个小陷阱，就是这只手其实有六个手指。
结果，Nano Banana Pro理直气壮地在这只手上标出1、2、3、4、5，直接略过了其中一只手指。
这荒诞的场面，再一次震惊了网友们。
AI模型是真的这么傻吗？
很多人不这么认为——或许，AI只是在装傻，调戏人类而已。
很有可能，它是在嘲笑这些试图测试自己的劣质人类。
为了通过图灵测试，AI必须让自己变得愚蠢一点，才能看起来像人类。如果太聪明，人类就破防了。
GPT-5.2，同样翻车了
有人也拿这个问题去问GPT-5.2，而且prompt里明明白白写了图里有六根手指。
但GPT-5.2面对「图里有几根手指」的问题，还是斩钉截铁地说：五根！
理由就是：人类有五根手指，所以图里没有五根手指就是错的。
还有人把手指画得奇形怪状，人类都要难倒的地步。
但面对这张图，Nano Banana Pro依然斩钉截铁地回答：5根，我确信，就是5根！
总之，无论画成什么样子，AI始终无法数出6根手指。
为了让AI数对手指，网友们疯了
有人不信邪了，非要让模型画对数字不可。
他直接给出指令：把4左移一个手指，把5左移一个手指，然后在大拇指那里写上6。
够清晰了吧？结果，模型照样不听，直接把3给弄没了。
网友直接原地被逼疯。
其他网友为了帮他，奇招百出，比如让模型把手画的数字改成电子版的，总算成功了。
也有人告诉模型依次在小指到大拇指上放数字，不要重复，结果也成功了。
AI数手指，为什么数不对
所以，为什么AI很难数对几根手指呢？
有人给出这样的解释：AI找的是基本形状，而非精确图像，然后将该形状代表的传统认知和实际外观进行比较。
有人猜，是否能告诉AI这不是手，而是不规则物体，从而规避掉AI大脑中的「偏见」？
结果，他果然成功了。
网友们随后试验了各种奇形怪状的手，果然，这回Gemini就答对了。
或许AI之前已经被训练了识别特定的emoji，如果换成别的图，它反而可以做正确的视觉推理了。
手指难题，AI目前的大bug
这次AI数手指大翻车，也揭露了当前模型的一个关键缺陷——思考的机械和割裂。
很有可能，文本模型看到指令后，内部逻辑是这样的：「手有五根手指，所以需要五个数字。」
所以，即使它「看到」了六指图像，它的视觉识别能力也不足以纠正这种根深蒂固的文本认知。
为什么AI如此执着于「五指」的概念？这是源于它训练数据的基本特征。
在人类手部图像数据中，五指手占据绝对主导地位。
而模型已经从海量数据中学到「人手=五指」这一强关联，以至于当情况偏离这一情况时，模型会视为异常，自动纠错，而并不会认为自己需要理解一个新事实。
具体来说，当前AI视觉系统的工作方式，本质上是将复杂场景简化为一组可识别模式。
当面对像六指手这样同时包含常见元素（手部）和罕见特征（多指）的图像时，系统倾向于将其强行纳入已知模式。
图像分类器通常输出边界框和标签，但当遇到训练分布之外的物体时，边界框可能缺失或错误合并多个对象。
一个残酷的真相就是，性能再厉害的模型，也不懂什么叫「5根手指」。
因为，AI看到的是纹理、形状、概率，而不是结构，不是数量，不是实体。
Transformer，并行计算的代价
而手指难题，也凸显出了Transformer架构的一大弱点。
Transformer架构的并行计算能力，是当今AI飞速发展的关键，但这种设计也存在代价。
单次前向传递无法有效追踪状态信息，系统难以执行需要多步骤逻辑推理的任务。
面对六指手，AI就会缺乏「注意到异常-重新评估-调整方案」的连贯思维链条。它只是机械地应用从训练数据中学到的最强模式。
手的特殊性，在于数量固定、结构复杂、局部高度相关，而对于AI来说，多局部一致性、跨区域约束、数量不可变，恰巧是Transformer最不擅长的，堪称地域难度。
扩散模型的本质
从另一个角度分析，也可以这么理解。
扩散模型的本质是学习一个从噪声到清晰图像的概率分布逆推过程。
它擅长捕捉数据的整体分布和纹理风格（例如，生成一只「看起来像手的轮廓」）。
但在精确控制局部、离散、高对称性的结构（例如，五根长度、位置、关节关系都正确的手指）时，就显得力不从心了。
从数据上看，训练数据中「五指」的绝对主导地位，使模型将「五指」视为不可违反的强统计先验。
就像一个看了100万只五指手的画家，你让他画六指手时，他总会无意识地将第六指融入到其他五指的阴影或姿势中，因为他的大脑早已深深刻入「手即五指」的概念。
从算法层面上看，扩散模型在去噪的每一步，都是基于整个图像的潜在表示进行全局预测。它没有为「手指」这类特定结构设立显式的、受保护的局部计算单元。
因此，细微的噪声扰动或步骤误差，很容易在密集区域被放大，导致细节扭曲。
从架构层面看，现有模型是「端到端」的，直接从文本提示映射到像素。中间缺乏一个明确的、符号化的结构表示层。
因此，「长什么样」和「结构是什么」两者冲突时，它就大脑宕机了。
而如果想解决这些瓶颈，或许业界就需要采用混合建模的模式——将扩散模型（擅长纹理）与显式结构模型（如3D网格）结合。
或者引入局部注意力与约束——在模型架构中强化对特定区域（如手部）的局部注意力机制，或在训练/推理过程中引入几何约束损失函数。
当代AI的阿喀琉斯之踵
让人感慨的是，Transformer最强的地方（Token-to-token预测），反而成了它的致命短板。
没有对象概念，没有显式结构约束，整个世界都被打平为token序列。
诚如一位网友所言：「视觉数据的复杂性远超文本，我们可能需要数十个数量级更多的计算资源，才能真正理解和处理视觉世界的全部细微差别。」
虽然在语言、知识、编码等领域，它们已远超常人，但在视觉推理、长期学习、因果关系理解上，它们仍然不足。
「手指难题」犹如一面镜子，照出了当前以扩散模型为代表的AI模型的阿喀琉斯之踵——
它们在学习和复现数据的连续分布上取得了革命性成功，但在理解和生成精确的离散结构和拓扑关系上，仍然依赖于数据中的强统计先验，缺乏真正的物理和几何推理能力。
而如果想要彻底解决「手指难题」，就需要更先进的架构、更多样化的训练数据，以及人类对AI能力更清醒的认识。
在这个AI无所不能的时代，「手指难题」提醒我们——
即使是如今最先进的AI，也仍在学习如何看待世界的基本细节。
参考资料：
https://www.reddit.com/r/singularity/comments/1plw8hc/i_feel_like_the_model_is_mocking_me/
秒追ASI
⭐点赞、转发、在看一键三连⭐
点亮星标，锁定新智元极速推送！
热门专题
热门推荐
鲁大师软件管家可安全升级常用软件：一、启动后点击顶部“软件管家”选项卡自动扫描；二、在“可升级软件”列表点击绿色“升级”按钮确认安装；三、勾选多个软件后点“批量升级”按钮并发处理；
3月29日，北京已在全国率先启动智能网联新能源汽车商业保险产品开发应用。新产品基本沿用现有的新能源商业车险体系，按照“总体稳定、部分优化”的原则，主要为消费者和汽车企业关心的特定智驾场景、软硬件损失
预计苹果今年将发布两款新的 iPhone 应用，包括 Apple Business 应用和一款具备类似聊天机器人功能的 Siri 应用。借助 Apple Business 应用，使用全新 Apple
据 Axios 报道，苹果公司已聘请前谷歌副总裁 Lilian Rincon 担任人工智能产品营销副总裁。加入苹果之前， Rincon 曾任谷歌购物产品副总裁。在苹果， Rincon 将负责苹果所有
3月29日消息，谁能料到前段时间奥迪车主与雷军之间的那个打赌，竟然还有后续。这到底是咋回事？事情发生在3月25日，网友@单手开吉利 在雷军的微博评论区晒出了自己去年10月刚提的奥迪车，还当场立下一个