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。」
这不由让人想起，不久前谷歌 DeepMind 首席科学家对当前 AI 的评价。
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。
本文来自微信公众号：新智元（ID：AI_era），原标题《全网破防，AI「手指难题」翻车逼疯人类！6 根手指，暴露 Transformer 致命缺陷》
相关文章
