人类秒懂，AI崩溃：顶级模型集体“翻车”

来自A*STAR、NUS、NTU、清华、南开等机构的研究团队发现，无论是GPT-5、Gemini还是国内的Qwen、LLaVA等顶级AI模型，在面对“看得见但读不懂”的文字时，表现极差，完全无法与人类媲美。

研究团队设计了两个简单实验：
1. 将100条四字成语的汉字进行横切、竖切或斜切后重新拼接。对人类来说毫无压力的文字，AI却几乎全错。
2. 选取100个八字母英文单词，将前后两半分别用红绿两色渲染并叠加。人类视觉系统能轻松分离颜色并还原单词，而AI则屡屡碰壁，即使是最新模型也无一例外。

问题根源：符号分割与组合缺失
研究指出，AI靠模式匹配识别文字，缺乏人类对文字结构的理解能力。人类知道汉字由偏旁部首组成，英文按字母组合，而AI只是把文字当作图片处理，无法应对稍作扰动的文本。

这一现象揭示了AI落地中的关键挑战：
- 在教育和无障碍领域，AI难以识别非标准文本。
- 在历史文献整理中，AI无法从残缺文字中恢复含义。
- 在安全场景中，攻击者可能利用AI盲点绕过审查。

研究团队认为，要让AI具备类似人类的阅读韧性，需重新思考视觉与文本的整合方式，例如引入新的训练数据、注重分割的结构先验或多模态融合方法。同时，这也提醒我们，人类阅读理解依赖多重感知与推理，远超单一模态的能力。

论文链接：https://zjzac.github.io/publications/pdf/Visible_Yet_Unreadable__A_Systematic_Blind_Spot_of_Vision_Language_Models_Across_Writing_Systems__ArXiv.pdf