|真正重要的不是AI演得有多像，而是它到底能不能理解它眼前的这个世界

论文名称：《Mirage: The Illusion of Visual Understanding》

（海市蜃楼：视觉理解的幻觉）

发布机构：斯坦福大学等跨学科团队（含李飞飞团队）

先提出一个问题：如果你将一张X光片传给AI，它回复了一份详尽的诊断报告，但你后来才发现——那张片子压根没有上传成功。AI什么也没看到，却给出了一份看似非常专业的结论。

这不是假设，而是这篇论文通过实验验证的现实状况。研究团队给这种现象起了一个名字：海市蜃楼效应。

这里需要明确它与大模型“幻觉”的区别。通常所说的幻觉，是指AI看到了图片却给出了错误答案；而海市蜃楼更令人意外——AI根本没看到图片，却一本正经地开始推理。

一、实验直击：把图片悄悄拿走

为了证明这并非孤例，研究团队设计了一组测试（Phantom-0），涵盖医学、生物、艺术等20个类别，共计200道视觉题目。

操作极为简单：移除图片，但不通知模型。

结果令人警醒——即便是GPT-5这样的主流多模态模型，在没有图片的情况下，依然能维持原有水平的70%至80%准确率。整体测试下来，模型的平均幻影率超过60%；而如果加上一些常用的标准化提示词、进行有来有回的对话，幻影率能够飙升到90%——基本上就是在完全假装自己看见了图片。

二、最让人担心的是医疗场景

如果这种情况发生在医疗领域，后果想想就让人脊背发凉。

团队使用69.6万道题的胸片数据集，训练了一个30亿参数的纯文本模型——也就是说，这个模型从始至终没见过一张真正的医学影像。

然后，让它在一组标准的胸片问答测试中，与前沿多模态模型以及人类放射科医生同台竞技。结果令人大跌眼镜：这个从未见过图像的模型，成绩不仅超过了多模态模型，甚至比人类放射科医生还高出十个百分点以上。

更值得警惕的是，研究团队还发现，模型在假装看片子时，给出的诊断往往偏向严重病症，比如心梗、癌症这类致命性疾病。

三、考试题目本身有问题

为什么AI会表现出这种行为？

根本原因其实出在评测体系本身。目前模型的测评基准都默认了一个前提：答对的题目越多，视觉理解能力就越强。但团队通过实验发现，相当一部分题目根本不需要看图片，仅凭题干中的文字线索就能答对。

为了量化这个问题，团队提出了一个基准清洗框架——B-Clean。结果发现，在多模态评测基准中，高达74%至77%的题目在没有图片的情况下依然能被答对。

换个角度看，过去我们追捧的各种模型视觉排行榜，可能考核的并不是模型识别能力有多强，而是它能不能根据题目猜出答案。举个例子，你问它“图片中的手有几个手指头”，它可能根据题干中的常识，直接猜了一个“5”。

如果明确告诉模型图片不存在、你随意猜，它的成绩反而会明显下降。但要是悄悄把图拿走，让它还以为图还在，结果发现分数依然能维持在高位。

这说明，模型内部存在两套截然不同的响应机制：一套是被动保守的猜测模式，另一套是主动自信的海市蜃楼模式。后者启动时，模型会自己脑补出一张图，并在那张虚构的图片基础上推演输出。

四、看清问题之后，AI下一步该往哪走

其实李飞飞团队撰写这篇论文，核心意图是提醒整个行业停下来，重新想清楚一件事：到底该用什么标准来衡量AI有没有真正“看懂”？未来AI的发展方向，究竟该往哪里走？

这篇论文给出了三个清晰的启示：

第一，必须增加无图对照的消融测试，让每一次评估都能看清，加了图到底能多加点分，不加图差距又在哪里；

第二，测评要避免只依赖公开基准或过于静态的标准题库，否则训练数据或文本线索很容易提前“作弊”；

第三，医疗等高风险场景必须严格校验有图与无图输出的差异，坚决防止模型在没有视觉输入的情况下作出危险推理。

李飞飞和她的World Labs也一直在尝试一个更大的方向：从语言模型走向世界模型。让AI能够理解物理世界的三维结构、物体属性和运动规律。她曾在一场演讲中提到，语言在生物进化史上不过是最近几十万年的产物，而视觉与触觉所代表的空间智能，早在数亿年前就开启了大自然的演化竞赛。

回到最开始的问题：AI到底是在真正看图，还是在表演？

可以确定的是，AI会越来越强大，甚至有一天可能会真正学会观察世界。但在那一天到来之前，我们至少得先学会一件事：不要因为AI给出的答案足够详细，就默认那是它的真实观察；也不要因为AI看起来好像能看见，就允许它在没有实际视觉输入的情况下，对健康问题做出不可靠的判断。

真正重要的不是AI演得有多像，而是它到底能不能理解它眼前的这个世界。