要說現(xiàn)在的AI模型有多聰明，估計(jì)很多人都會(huì)想到ChatGPT能寫文章、GPT-4能看圖說話這些令人驚嘆的能力。但是，如果我告訴你這些看起來無所不能的AI在最基本的顏色識別上可能還不如三歲小孩，你會(huì)不會(huì)覺得有些不可思議？

這項(xiàng)由美國馬里蘭大學(xué)帕克分校的梁藝俊、李明等研究人員在2025年6月發(fā)表的研究，就像是給當(dāng)前最先進(jìn)的視覺語言模型（簡單說就是能看圖說話的AI）來了一次全面的"色彩視力檢查"。這篇發(fā)表在arXiv預(yù)印本平臺上的論文（編號：arXiv:2504.10514v2），首次系統(tǒng)性地評估了32個(gè)主流AI模型在顏色理解方面的真實(shí)能力。有興趣深入了解的讀者可以通過https://github.com/tianyi-lab/ColorBench獲取完整的研究資料和代碼。

說起顏色，對人類來說再自然不過了。我們能輕松分辨紅綠燈的顏色、挑選成熟的水果、欣賞日落的美景。顏色不僅是視覺信息，更承載著豐富的含義：紅色代表警告，綠色象征生機(jī)，藍(lán)色給人寧靜感。在科學(xué)研究中，顏色更是重要的線索——醫(yī)生通過病人皮膚顏色判斷健康狀態(tài)，地質(zhì)學(xué)家通過巖石顏色了解地層信息，農(nóng)學(xué)家通過作物顏色評估生長狀況。

然而，當(dāng)研究團(tuán)隊(duì)深入測試這些被寄予厚望的AI模型時(shí)，卻發(fā)現(xiàn)了一個(gè)令人意外的現(xiàn)象：盡管這些模型在很多復(fù)雜任務(wù)上表現(xiàn)出色，但在顏色理解這個(gè)看似簡單的基礎(chǔ)能力上，表現(xiàn)卻差強(qiáng)人意。這就好比一個(gè)學(xué)會(huì)了高等數(shù)學(xué)的學(xué)生，在簡單的加減法上卻頻頻出錯(cuò)。

為了徹底摸清AI模型的色彩感知能力，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)名為"COLORBENCH"的全面測試系統(tǒng)。這個(gè)測試系統(tǒng)就像是給AI做了一次全方位的眼科檢查，從最基礎(chǔ)的顏色識別，到復(fù)雜的顏色推理，再到在顏色變化下的穩(wěn)定性表現(xiàn)，一應(yīng)俱全。整個(gè)測試包含了1448個(gè)精心設(shè)計(jì)的測試案例，覆蓋了從繪畫分析到購物場景，從衛(wèi)星圖像到野生動(dòng)物觀察等各種真實(shí)應(yīng)用場景。

研究團(tuán)隊(duì)將色彩理解能力分為三個(gè)核心維度來考察。第一個(gè)維度是色彩感知能力，就像測試一個(gè)人能不能準(zhǔn)確看出蘋果是紅色的、天空是藍(lán)色的。第二個(gè)維度是色彩推理能力，考查AI能否像人類一樣，通過顏色線索進(jìn)行邏輯推理，比如通過葉子發(fā)黃判斷植物缺水，或者通過皮膚發(fā)紅推測可能有炎癥。第三個(gè)維度是色彩穩(wěn)定性，測試當(dāng)圖像顏色發(fā)生變化時(shí)，AI的判斷是否還能保持準(zhǔn)確。

在具體的測試設(shè)計(jì)上，研究團(tuán)隊(duì)真是下了一番功夫。他們設(shè)計(jì)了11種不同類型的測試任務(wù)，每一種都針對色彩理解的不同方面。比如最基礎(chǔ)的顏色識別任務(wù)，就是給AI看一幅畫，問它"這幅畫里有沒有綠色"或者"畫中的花朵是什么顏色"。稍微復(fù)雜一點(diǎn)的是顏色提取任務(wù)，要求AI精確說出特定顏色的數(shù)值編碼，就像調(diào)色師需要準(zhǔn)確配出客戶要求的顏色一樣。

更有挑戰(zhàn)性的是那些需要推理的任務(wù)。比如顏色比例任務(wù)，給AI看一張衛(wèi)星圖片，問它"綠色（代表植被）占整個(gè)畫面的比例大概是多少"。這需要AI不僅能識別顏色，還要能估算面積比例。還有顏色比較任務(wù)，給AI看幾杯茶，問它"哪杯茶的顏色最深"，這考驗(yàn)的是AI對顏色深淺程度的判斷能力。

最有趣的可能是顏色錯(cuò)覺和色彩偽裝測試。研究團(tuán)隊(duì)給AI展示一些經(jīng)典的視覺錯(cuò)覺圖片，比如兩個(gè)看起來顏色不同但實(shí)際相同的色塊，測試AI會(huì)不會(huì)像人類一樣"上當(dāng)"。還有偽裝測試，在復(fù)雜背景中找隱藏的動(dòng)物，看AI能否透過顏色偽裝發(fā)現(xiàn)目標(biāo)。

最令人擔(dān)憂的是色盲測試。研究團(tuán)隊(duì)使用了類似醫(yī)院眼科檢查用的色盲檢測圖，那種由無數(shù)彩色圓點(diǎn)組成、隱藏著數(shù)字或字母的圖片。結(jié)果發(fā)現(xiàn)，大多數(shù)AI模型在這類測試中的表現(xiàn)都不盡如人意，甚至不如正常視力的人類。

在穩(wěn)定性測試方面，研究團(tuán)隊(duì)采用了一種巧妙的方法。他們把同一張圖片用不同顏色重新著色，比如把一輛藍(lán)色汽車改成紅色、綠色或黃色，然后問AI"圖片中有幾輛車"。理論上，無論汽車是什么顏色，數(shù)量都應(yīng)該保持不變，一個(gè)穩(wěn)定可靠的AI應(yīng)該給出相同的答案。但實(shí)際測試結(jié)果顯示，很多AI模型會(huì)因?yàn)轭伾淖兌o出不同的答案，這說明它們過度依賴顏色信息，缺乏必要的穩(wěn)定性。

當(dāng)研究團(tuán)隊(duì)將32個(gè)不同的AI模型都放在這個(gè)"色彩考場"上接受測試時(shí)，結(jié)果既在意料之中，又令人驚訝。在意料之中的是，那些參數(shù)更多、規(guī)模更大的模型確實(shí)表現(xiàn)更好，驗(yàn)證了"大模型通常更聰明"這個(gè)業(yè)界普遍認(rèn)知。令人驚訝的是，即使是最先進(jìn)的商業(yè)模型，如GPT-4o和Gemini-2，在色彩理解的綜合評分上也只有50-60%左右，遠(yuǎn)未達(dá)到人類的表現(xiàn)水平。

更有趣的發(fā)現(xiàn)是，模型規(guī)模對色彩理解能力的影響主要來自語言部分，而不是視覺部分。這就好比一個(gè)翻譯官，他的理解能力主要取決于語言功底，而不是看圖的能力。研究團(tuán)隊(duì)發(fā)現(xiàn)，當(dāng)前主流AI模型使用的視覺編碼器種類很有限，大多數(shù)都使用300-400萬參數(shù)規(guī)模的視覺組件，這可能限制了它們在顏色感知方面的進(jìn)步空間。

在不同類型的測試中，AI模型的表現(xiàn)差異很大。在最基礎(chǔ)的顏色識別任務(wù)上，大多數(shù)模型都能達(dá)到60%以上的準(zhǔn)確率，算是基本合格。但在需要精確顏色數(shù)值的提取任務(wù)上，很多先進(jìn)模型的表現(xiàn)卻不如預(yù)期，這提示我們這些模型可能在精細(xì)的顏色感知上存在缺陷。

最令人擔(dān)憂的是顏色計(jì)數(shù)任務(wù)的結(jié)果。當(dāng)被要求數(shù)一數(shù)圖像中有多少種不同顏色時(shí)，幾乎所有模型的表現(xiàn)都很糟糕，最好的模型也只達(dá)到43%的準(zhǔn)確率。這就像讓一個(gè)人數(shù)房間里有幾種不同顏色的物品，結(jié)果大部分時(shí)候都數(shù)錯(cuò)了。考慮到顏色計(jì)數(shù)在很多實(shí)際應(yīng)用中的重要性，比如產(chǎn)品質(zhì)量檢測、藝術(shù)作品分析等，這個(gè)結(jié)果確實(shí)令人擔(dān)憂。

在顏色推理任務(wù)方面，AI模型的表現(xiàn)同樣不夠理想。比如在顏色比例估算任務(wù)中，即使是表現(xiàn)最好的模型也只能達(dá)到58%的準(zhǔn)確率，基本上和隨機(jī)猜測差不多。這說明當(dāng)前的AI模型還缺乏通過顏色信息進(jìn)行復(fù)雜推理的能力。

研究團(tuán)隊(duì)還特別測試了一種名為"思維鏈"的推理方法，就是讓AI在回答問題前先"思考"一下，說出自己的推理過程。令人意外的是，這種方法在色彩相關(guān)任務(wù)上確實(shí)有效果，能夠提升4-5%的準(zhǔn)確率。更有趣的是，即使在顏色穩(wěn)定性測試中，讓AI多思考一下也能提高其穩(wěn)定性，這說明深度思考能幫助AI做出更可靠的判斷。

不過，這種多思考的方法并不是萬能的。在某些特殊任務(wù)上，比如顏色錯(cuò)覺測試，過度思考反而會(huì)讓AI的表現(xiàn)變差。研究團(tuán)隊(duì)分析認(rèn)為，這是因?yàn)閺?fù)雜的推理過程可能會(huì)讓AI過度關(guān)注圖像中的干擾因素，反而忽略了真正重要的視覺信息。這就好比解數(shù)學(xué)題時(shí)，有時(shí)候最直接的方法反而是最有效的，想得太復(fù)雜可能會(huì)繞進(jìn)死胡同。

為了驗(yàn)證顏色信息的重要性，研究團(tuán)隊(duì)還做了一個(gè)有趣的對比實(shí)驗(yàn)：把所有彩色圖片都轉(zhuǎn)換成黑白圖片，然后看AI的表現(xiàn)如何變化。結(jié)果發(fā)現(xiàn)，在大多數(shù)任務(wù)中，去掉顏色信息后AI的表現(xiàn)確實(shí)會(huì)下降，證明它們確實(shí)在利用顏色線索。但在顏色錯(cuò)覺和偽裝測試中，黑白圖片反而讓AI的表現(xiàn)更好，這說明在這些特殊情況下，顏色信息可能會(huì)誤導(dǎo)AI的判斷。

這個(gè)發(fā)現(xiàn)特別有意思，因?yàn)樗沂玖薃I和人類在處理視覺信息上的一個(gè)重要差異。人類在看到復(fù)雜的視覺場景時(shí)，會(huì)自動(dòng)過濾掉一些干擾信息，專注于真正重要的特征。而當(dāng)前的AI模型顯然還缺乏這種智能的信息篩選能力，容易被表面現(xiàn)象所迷惑。

研究團(tuán)隊(duì)在論文中特別指出了當(dāng)前AI模型的幾個(gè)明顯不足。首先是精確性問題，很多模型無法準(zhǔn)確提取顏色的具體數(shù)值，這在需要精確色彩控制的應(yīng)用中會(huì)成為嚴(yán)重障礙。其次是推理能力不足，模型很難像人類一樣通過顏色變化推斷出背后的含義。最后是穩(wěn)定性問題，顏色的微小變化就可能導(dǎo)致模型判斷結(jié)果的大幅波動(dòng)。

更深層次的問題在于，當(dāng)前的AI模型似乎缺乏對顏色語義含義的理解。對人類來說，紅色不僅僅是一種波長為700納米左右的光線，它還代表著熱情、危險(xiǎn)、警告等豐富含義。但對AI來說，紅色可能就只是一堆數(shù)字，缺乏這種深層的語義理解。

這項(xiàng)研究的意義遠(yuǎn)超出了學(xué)術(shù)范疇。在實(shí)際應(yīng)用中，顏色理解能力的不足可能會(huì)限制AI在很多重要領(lǐng)域的應(yīng)用。比如在醫(yī)療診斷中，醫(yī)生經(jīng)常需要通過皮膚顏色、舌苔顏色等來判斷病情，如果AI無法準(zhǔn)確理解這些顏色信息，就難以在醫(yī)療輔助診斷中發(fā)揮作用。在農(nóng)業(yè)應(yīng)用中，通過作物葉片顏色判斷營養(yǎng)狀況是常見做法，色彩理解能力不足的AI顯然無法勝任這類任務(wù)。

在工業(yè)質(zhì)量檢測中，顏色往往是判斷產(chǎn)品質(zhì)量的重要標(biāo)準(zhǔn)，從食品的成熟度到織物的染色質(zhì)量，都離不開準(zhǔn)確的顏色判斷。如果AI在這方面存在缺陷，就可能影響自動(dòng)化質(zhì)檢系統(tǒng)的可靠性。

研究團(tuán)隊(duì)通過與人類志愿者的對比測試進(jìn)一步證實(shí)了這個(gè)問題的嚴(yán)重性。在大多數(shù)測試項(xiàng)目中，人類的表現(xiàn)都明顯優(yōu)于最先進(jìn)的AI模型。特別是在需要綜合判斷的復(fù)雜任務(wù)中，人類的優(yōu)勢更加明顯。這提醒我們，盡管AI在很多方面已經(jīng)展現(xiàn)出超人的能力，但在一些看似簡單的基礎(chǔ)認(rèn)知任務(wù)上，仍然有很大的改進(jìn)空間。

有趣的是，研究還發(fā)現(xiàn)不同模型之間的性能差距并不大，這暗示著色彩理解可能是整個(gè)行業(yè)普遍存在的薄弱環(huán)節(jié)，而不只是某些特定模型的問題。這種現(xiàn)象可能與當(dāng)前AI模型的訓(xùn)練方式有關(guān)：大多數(shù)模型在訓(xùn)練時(shí)更注重高級認(rèn)知任務(wù)的表現(xiàn)，而忽略了這些基礎(chǔ)感知能力的訓(xùn)練。

研究團(tuán)隊(duì)還特別關(guān)注了模型的規(guī)模效應(yīng)。雖然更大的模型總體上表現(xiàn)更好，但這種改進(jìn)主要來自語言理解部分的增強(qiáng)，而視覺感知部分的提升相對有限。這個(gè)發(fā)現(xiàn)很重要，因?yàn)樗崾狙芯空邆兛赡苄枰匦滤伎既绾纹胶饽Ｐ筒煌M件的發(fā)展，而不是簡單地增加整體規(guī)模。

在技術(shù)實(shí)現(xiàn)層面，研究團(tuán)隊(duì)發(fā)現(xiàn)當(dāng)前主流模型使用的視覺編碼器種類相當(dāng)有限，大多數(shù)都基于相似的架構(gòu)和參數(shù)規(guī)模。這種同質(zhì)化可能限制了整個(gè)領(lǐng)域在視覺感知方面的突破。就像所有人都使用相同的眼鏡，即使度數(shù)不同，基本的光學(xué)原理還是一樣的，很難有革命性的視覺改善。

對于顏色穩(wěn)定性問題，研究提供了一些特別有價(jià)值的洞察。當(dāng)圖像的顏色發(fā)生改變時(shí)，理想的AI模型應(yīng)該能夠識別出這種變化不影響核心信息（比如汽車的數(shù)量），從而保持判斷的一致性。但實(shí)際測試顯示，很多模型會(huì)被顏色變化所干擾，改變原本正確的判斷。這種不穩(wěn)定性在實(shí)際應(yīng)用中可能會(huì)造成嚴(yán)重問題，比如在不同光照條件下，同一個(gè)場景可能得到完全不同的分析結(jié)果。

研究還揭示了一個(gè)令人深思的現(xiàn)象：在某些特殊情況下，顏色信息反而會(huì)誤導(dǎo)AI的判斷。這主要出現(xiàn)在視覺錯(cuò)覺和偽裝場景中，彩色信息的存在讓AI更容易"上當(dāng)受騙"，而轉(zhuǎn)換為黑白圖像后反而能做出更準(zhǔn)確的判斷。這說明當(dāng)前的AI模型還缺乏人類那種能夠透過表面現(xiàn)象看本質(zhì)的智慧。

針對這些發(fā)現(xiàn)，研究團(tuán)隊(duì)提出了幾個(gè)改進(jìn)方向。首先是增強(qiáng)視覺編碼器的多樣性和復(fù)雜性，不能僅僅依賴語言模型的規(guī)模增長來提升整體性能。其次是在訓(xùn)練過程中加入更多專門針對顏色理解的任務(wù)和數(shù)據(jù)，讓模型能夠更好地學(xué)習(xí)顏色的語義含義。最后是開發(fā)更穩(wěn)定的架構(gòu)，減少模型對無關(guān)顏色變化的敏感性。

這項(xiàng)研究的另一個(gè)重要貢獻(xiàn)是建立了一個(gè)標(biāo)準(zhǔn)化的評估框架。在此之前，雖然很多研究者也意識到AI在顏色理解方面可能存在問題，但缺乏系統(tǒng)性的評估工具來量化這些問題。COLORBENCH的出現(xiàn)填補(bǔ)了這個(gè)空白，為未來的相關(guān)研究提供了統(tǒng)一的評估標(biāo)準(zhǔn)。

從更廣闊的視角來看，這項(xiàng)研究提醒我們在追求AI能力提升的過程中，不能忽視那些看似簡單但實(shí)際重要的基礎(chǔ)能力。就像建房子需要堅(jiān)實(shí)的地基一樣，AI的高級認(rèn)知能力也需要可靠的基礎(chǔ)感知能力作為支撐。如果在顏色理解這樣的基礎(chǔ)任務(wù)上存在缺陷，就可能影響AI在更復(fù)雜任務(wù)中的表現(xiàn)。

研究團(tuán)隊(duì)在論文中坦誠地承認(rèn)了當(dāng)前工作的一些局限性。比如，測試主要集中在靜態(tài)圖像上，沒有涉及動(dòng)態(tài)視頻中的顏色理解。另外，測試場景雖然覆蓋了很多應(yīng)用領(lǐng)域，但可能還沒有囊括所有重要的使用場景。這些局限為未來的研究留下了空間。

說到底，這項(xiàng)研究為我們描繪了當(dāng)前AI發(fā)展的一個(gè)真實(shí)畫面：盡管在很多高級任務(wù)上表現(xiàn)出色，但在一些基礎(chǔ)認(rèn)知能力上仍有明顯不足。這種不平衡發(fā)展可能會(huì)限制AI技術(shù)的進(jìn)一步應(yīng)用和普及。不過，正如研究團(tuán)隊(duì)所指出的，認(rèn)識到問題就是解決問題的第一步。

隨著人們對AI基礎(chǔ)能力認(rèn)識的深入，相信會(huì)有更多研究者投入到改善這些基礎(chǔ)認(rèn)知能力的工作中。畢竟，只有在各個(gè)基礎(chǔ)能力都達(dá)到人類水平的AI，才能真正成為人類生活和工作中可靠的伙伴。這項(xiàng)關(guān)于色彩理解的研究，為這個(gè)宏大目標(biāo)的實(shí)現(xiàn)提供了重要的參考和指導(dǎo)。對于想要深入了解技術(shù)細(xì)節(jié)的讀者，可以訪問研究團(tuán)隊(duì)的GitHub頁面獲取完整的測試數(shù)據(jù)和代碼，繼續(xù)探索AI色彩認(rèn)知的奧秘。

Q&A

Q1：什么是COLORBENCH？它測試的是AI的什么能力？ A：COLORBENCH是馬里蘭大學(xué)團(tuán)隊(duì)開發(fā)的AI色彩理解測試系統(tǒng)，專門評估AI模型在顏色感知、推理和穩(wěn)定性方面的能力。它包含1448個(gè)測試案例，覆蓋從基礎(chǔ)的顏色識別到復(fù)雜的色彩推理等11種不同任務(wù)，就像給AI做一次全面的"色彩視力檢查"。

Q2：現(xiàn)在最先進(jìn)的AI在顏色理解上表現(xiàn)如何？ A：研究顯示即使是GPT-4o、Gemini-2這樣的頂級AI模型，在色彩理解的綜合評分上也只有50-60%，遠(yuǎn)低于人類表現(xiàn)。特別是在顏色計(jì)數(shù)、精確色值提取等任務(wù)上表現(xiàn)很差，最好的模型在某些任務(wù)上準(zhǔn)確率也只有43%左右。

Q3：AI的色彩理解能力不足會(huì)影響哪些實(shí)際應(yīng)用？ A：影響很廣泛，包括醫(yī)療診斷（通過皮膚、舌苔顏色判斷病情）、農(nóng)業(yè)監(jiān)測（通過作物顏色評估健康狀況）、工業(yè)質(zhì)檢（通過顏色判斷產(chǎn)品質(zhì)量）、遙感分析等。這些應(yīng)用都需要準(zhǔn)確的顏色理解能力，AI的不足可能限制其在這些重要領(lǐng)域的應(yīng)用。