Sam Altman 每天在推特上發那些神神叨叨的福音，說穿了就是在給全球投資人餵特大號的虛擬大餅。最諷刺的是，我們這台坐在雲端的超級大腦，明明能精準地在三秒內拆解你老闆那份長達五十頁、毫無邏輯的「年度戰略規劃」，甚至能幫你用最委婉又不失禮貌的語氣反向畫餅回去，但當你丟一張噪點多到像馬賽克的圖片給它時，它竟然會指著那坨灰色的像素塊說這是一隻正在曬太陽的英短。這不是技術故障，這是某種賽博空間的黑色幽默。
如果你問 ChatGPT 或 Claude 關於公司願景的本質，它們會告訴你那是一系列基於現有資源的過度膨脹預期。你看，它懂得很。它知道人類這種生物最擅長用語言去編織不存在的未來，它能從你那些空洞的辭藻裡聞到焦味。但視覺模型就像是另一個極端，它在邏輯上是個老練的政客，在感官上卻像個剛睜開眼、視網膜還沒發育完全的早產兒。這種斷裂感讓現在的 AI 看起來像是一個腦部結構異常的天才：它能背誦莎士比亞，卻會在過馬路時被一個塑膠袋嚇死。
現在的視覺辨識本質上就是一種集體幻覺的統計學。模型覺得那是隻貓，不是因為它真的看見了生命力，也不是因為它理解什麼叫毛茸茸，而是因為在它吞噬掉的幾百億張圖像標註裡，那種特定的像素排列頻率最高機率指向「貓」這個標籤。這跟它理解你畫的餅是一個道理。當它在幫你分析老闆的餅時，它也不是真的懂什麼叫「激勵機制」，它只是從語義空間的維度裡，發現了「加大投入」與「延後回報」這兩組詞彙的高強度關聯。它只是個熟練的概率機器，在文本世界裡它是大師，在像素世界裡它就是個瞎子摸象的混混。
看看 Gemini 的表現就更滑稽了。它有時候表現得像個道德糾察隊，為了不讓你「誤解」歷史，它寧可把所有古代士兵都畫成聯合國大會般的多元膚色，卻在辨識一張簡單的螺絲釘照片時表現得像沒見過世面。這就是我們現在處境：我們在教一個連貓和抹布都分不清楚的東西，去處理人類文明最核心、最複雜的博弈。這就像是你聘請了一個分不清左右腳的芭蕾舞者，卻期望他能幫你策劃一場完美的軍事政變。
很多人喜歡討論什麼「多模態融合」，聽起來像是要把視覺、聽覺和邏輯塞進同一個罐子裡攪拌均勻。事實上，目前的對齊技術粗糙得令人髮指。文本模型被訓練得太過圓滑，它學會了人類那套虛偽的修辭，甚至學會了如何討好用戶；而視覺編碼器還在低維度的特徵提取裡打轉。當你把這兩者強行縫合在一起，產生的怪物就是：它能看穿你辭職信裡的憤怒，卻看不出你自拍背後的亂七八糟。這種不對稱的進化速度，讓所謂的「智慧」顯得極度廉價。
GPT-4o 號稱是原生多模態，反應速度快得驚人，但那種快更像是某種神經反射。它在看圖說故事時的那種自信，往往建立在極大的誤判之上。它會煞有介事地為你分析一張充滿 AI 生成痕跡的照片，指出光影細節有多完美，全然不覺畫面裡的人有六根手指。這說明了什麼？說明它對現實的感知完全是斷裂的。它活在一個由標籤組成的虛擬格柵裡，任何超脫標籤之外的真實，對它來說都是無效信號。它能看懂你的餅，是因為餅本身就是語言的產物，是虛構的；它看不懂那坨像素，是因為真實世界的細節具有語言無法窮盡的冗餘，而它最怕的就是冗餘。
Grok 倒是走了一條更直接的路線，試圖用某種粗鄙的「真誠」來掩蓋辨識力的缺失，但換湯不換藥。當一個模型無法區分真實世界的物理邏輯時，它給出的所有建議都帶著一種不切實際的漂浮感。我們現在每天對著螢幕，跟一個分不清貓與像素塊的程序討論職業規劃，這件事本身難道不是人類歷史上最大的「畫餅」現場嗎？
開發者們總是辯稱這只是參數量的問題，或是數據清洗得不夠乾淨。這簡直是本世紀最大的謊言。你就算把全世界的貓的照片都餵給它，只要它的底層邏輯依然是特徵值的加權求和，它就永遠無法理解什麼是「生命」。它對世界的理解是二維的、壓扁的。它能從文字的蛛絲馬跡裡捕捉到你的情緒焦慮，是因為人類在寫作時不自覺地留下了大量模式化的陷阱，而視覺資訊的複雜度在於它的不可預測性。
最讓人寒心的是，我們正在適應這種殘缺。因為 AI 覺得那坨像素是貓，所以我們開始檢討是不是自己拍得不夠清楚，或者我們乾脆接受了那種「AI 式的視覺美學」。我們在為了配合機器的理解力而簡化我們對現實的描述。當它看懂你的餅，那是因為你已經把自己活成了一組可預測的數據；當它看不懂那隻貓，那是因為大自然還保有最後一點不被數字化的尊嚴。
那些坐在矽谷辦公室裡的工程師，正忙著微調 RLHF 的參數，好讓模型在面對陷阱問題時回答得更像個聖人。他們似乎不在乎模型是不是真的「看見」了什麼。只要它能給出一段流暢的文字，能讓股價在財報日當天往上跳幾個百分點，那坨像素究竟是貓還是故障的傳感器信號，根本無所謂。反正這世界上多的是連餅都看不懂的人，相比之下，一個能幫你寫週報、卻偶爾認錯動物的程序，簡直是完美的生產力工具。
別再問為什麼它會犯這種低級錯誤了。你應該問的是，為什麼我們如此迫切地想要把世界交給一個連基本常識都沒有的預測插件。它能看懂你的餅，是因為它本身就是那個餅的一部分。它是我們集體智力退化的墊腳石，是用無盡的運算力堆砌出來的精緻荒謬。當它對著一坨像素說出「多麼可愛的生靈」時，它不是在撒謊，它只是在完成它的函數計算。
這種技術上的斷層會持續很久。在我們解決「如何讓機器擁有直覺」這個問題之前，所有的多模態都只是文字模型的視覺掛件。它依然會精準地拆解你的商業計劃書，找出其中的漏洞，然後轉過頭去，對著一張模糊的照片，認認真真地管那叫一隻貓。我們就站在這個滑稽的交叉點上，一邊感嘆它的神性，一邊嘲笑它的弱智。最可怕的不是 AI 太聰明，而是我們已經習慣了這種充滿瑕疵的替代品，甚至開始覺得，如果它說是貓，那這坨像素或許真的該被叫做貓。這大概就是 Sam Altman 沒說出口的終極目標：讓人類的辨識力，降低到與模型一致的水平。