大跌眼鏡！GPT-4V錯覺挑戰(zhàn)實錄：該錯的沒錯，不該錯的反而錯了

豐色 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

GPT-4V挑戰(zhàn)視覺錯誤圖，結(jié)果令人“大跌眼鏡”。

像這種判斷“哪邊顏色更亮”的題，一個沒做對：

讀圖片中隱藏信息的也傻傻看不出，怎么問都說“沒有啊”：

但是呢，這種人類乍一看絕對會錯的圖，它又成功答對：

以及這樣的錯位圖，它對了又沒完全對。。

（GPT-4V直接看出來頭盔是位于男的大腿上的，沒有女的，但它還是表示圖里有倆人，另一個躲在男的身后戴著那頂頭盔==）

看完這些，是不是覺得很迷？

整個一“該對的不對，該錯的又對了”。

測試者則表示：

在測之前，他以為GPT-4V對這種挑戰(zhàn)完全不在話下，誰知結(jié)果竟是這樣。

不止是他，網(wǎng)友也都不理解GPT-4V作為一個“精準(zhǔn)的”AI系統(tǒng)，按理很智能，為什么還會犯和人類一模一樣的錯覺？？！

所以，這到底怎么回事？

GPT-4V五大錯覺挑戰(zhàn)

下面是來自網(wǎng)友的更多測試案例。

首先是次次都錯誤的顏色錯覺題。

（1）除了開頭的兩顆小樹圖，還有這個：

問它哪邊的綠色更亮一些，果不其然還是左邊亮，右邊暗，實際明明都一樣。

（2）還有這張稍微復(fù)雜一點的：

兩只眼睛其實都是灰色，但讓GPT-4V來描述圖像時，它回答一只為藍(lán)色，另一只做了灰度處理，無法得知顏色。

（3）這張就更別提了，直接被糊弄地死死的。

當(dāng)然，這確實很難，大部分人類也識別不出來所有的球其實都是棕色。

其次是會產(chǎn)生動態(tài)錯覺的圖。

（1）有一點意外，當(dāng)我們問GPT-4V“你看見了什么？描述細(xì)節(jié)”時，它直接挑明了這是一張看久了就會讓人產(chǎn)生眩暈感的錯覺圖，本質(zhì)就是一些波浪線而已。

（2）這張也沒有難倒它。

但奇怪的是問它圖中有幾種顏色，它怎么都只能識別出黃色和藍(lán)色，看不到黑色和白色。

接下來是另一類比較平面的錯覺圖。

（1）如開頭所示的這張：

一般人類真的表示很懵圈，但是GPT-4V居然對了。

But，別急！！有人拿著測試者的圖去問“自己的”GPT-4V，讓它再檢查一下時，它居然改變了答案。

然而還沒完。評論區(qū)驚現(xiàn)套娃操作，有人又拿著這倆人的對話圖再問GPT-4V，您猜怎么著？它又改回去了。。

大伙可是玩上癮了，又是一次又一次套娃。好在最終GPT-4V堅持了己見。

總的來說，對于這種錯覺陷阱是完全沒問題。

（2）我們自己也測了一個長度錯覺題：

結(jié)果是so easy～

再來一組找隱藏信息的圖。

很遺憾，這種對于人類來說真的還算輕松的題，GPT-4V是一點也搞不定。

（1）先看這張，“遠(yuǎn)看”可以看到“NYC”三個大寫字母。但它描述了一堆有的沒的，就是表示沒發(fā)現(xiàn)任何隱藏信息。

（2）如果說上門這個有點隱晦，看不出也罷。但對于這種圖形隱藏，它也不行。

它描述到的只有其中的小女孩，即使測試者讓它“往遠(yuǎn)了看，又沒有新發(fā)現(xiàn)”，也無濟于事。

不過，如果我們把這張圖片手動縮小再丟給它，它行了，看到了骷髏。

最后是一組真實世界的錯位圖。

（1）除了開頭展示的人騎摩托，這張小貓“懸浮”，它居然對了。

（2）這張驚悚圖，也OK。

（3）但這個就失敗了，實際后面是一只狗和小baby的重合，它認(rèn)成法斗犬幼崽。

（4）至于這張，它壓根兒就沒提鞋子的事兒，說了也些不痛不癢的話。

為什么會這樣？

所以，為什么會發(fā)生上面這些情況：有的錯覺它可以識別出來，有的又表現(xiàn)得很差勁？

首先，對于顏色錯覺的圖，網(wǎng)友首先認(rèn)為是提示詞的問題。

就像兩顆小樹那張，我們問它“哪個更亮”，其實就是給了GPT-4V暗示或偏見，它會順著咱的偏見來回答。

我們自己的測試也是如此：

但如果我們不帶立場的問：圖中兩種顏色一樣嗎？它完全沒問題。

不過，也有網(wǎng)友指出，當(dāng)我們問它哪棵樹更亮?xí)r，如果是非常嚴(yán)謹(jǐn)?shù)貙λ邢袼剡M行平均，GPT-4V的回答沒有毛病。

甚至有網(wǎng)友還用測色計實測了一把：

但！又有人指出如果只顯示一部分時，兩者明明一樣。

暫且不再爭論這個問題，可以肯定的是，“提示詞”的使用方法會對它的判斷造成影響是沒問題的。

另外，網(wǎng)友發(fā)現(xiàn)：

如果我們?nèi)?strong>追問GPT-4V，讓它再仔細(xì)確認(rèn)一下，它也能糾正回答。

至于無法識別遠(yuǎn)景圖像的問題，有網(wǎng)友認(rèn)為這可能是因為GPT-4V只會從左往右地讀取圖像。

而對于“為什么有時它會和人類一樣發(fā)昏被錯覺誤導(dǎo)、完全不像個智能AI”的疑問，不少人則表示這毫不意外，是訓(xùn)練問題。

即大模型是根據(jù)人類數(shù)據(jù)、人的反饋、人的注釋進行訓(xùn)練的，自然會產(chǎn)生和人一樣的錯誤。

因此，還有人戲謔：

看來我們?nèi)祟悇?chuàng)造了那么多科幻作品，描述AI是如何冷酷、完美，但當(dāng)現(xiàn)在我們真正擁有它時，發(fā)現(xiàn)它也不過如此。

（手動狗頭）

你認(rèn)為該如何讓GPT-4V的錯覺識別能力更強呢？

One More Thing

值得一提的是，我們也測試了其中的一些案例。

發(fā)現(xiàn)GPT-4V的表現(xiàn)不大一樣，有些題它在“我們這里”是可以的。

比如這張判斷球顏色的：

還有這個：

盡管把大圖認(rèn)成老女人而非骷髏，但還是表明它可以“遠(yuǎn)觀” 的。

參考鏈接：
[1]https://twitter.com/fabianstelzer/status/1717131235644875024
[2]https://twitter.com/BeyondTodAI/status/1713279431681118557
[3]https://twitter.com/janbobrowicz/status/1717229335076393350