精华速览

一位玩家耗时12天完成1000片无图案拼图“纯白地狱”后，尝试让视觉大模型在5小时内完成配对，结果模型在局部判断上反复出错，甚至输出“A接B、B接C、C又接A”的闭环。作者查阅文献发现，2026年8月一项名为JigShape的研究测试五个前沿视觉模型，16片拼图仅一个模型超过随机水平，64片集体回到随机，微调模型到144片正确率不足5%，研究者称之为“规模悬崖”。文章进一步指出，大模型卡在无法精确测量边缘几何、缺乏全局工作台记忆；而基于轮廓提取和搜索优化的“老AI”早已能自动求解数百片无图案拼图。结论是：新AI擅长开放泛化，老AI擅长封闭精确任务，错配对象才是失败主因。

要点透视

  • 玩家耗时12天完成1000片纯白地狱拼图，玩家社群流传人类最快纪录约160小时，该说法未经官方证实。
  • 实验将1000片拼图按20×50格子编号拍照上传，要求AI判断边缘咬合；首小时模型能描述难点，但实物验证多对配对均失败。
  • 第三小时起，模型对同一拼块两次描述措辞不一，无法给出“凸点位于边缘37.2%处”式精确测量，且连续推30片时出现A接B、B接C、C又接A的闭环。
  • 2026年8月JigShape研究测试五个前沿视觉大模型：16片拼图仅一个超过瞎猜水平，64片集体回到随机，微调模型144片正确率不足5%。
  • 经典自动拼图求解路线通过边缘轮廓像素坐标、欧氏距离误差矩阵和搜索优化，已有数百片规模无图案拼图自动求解先例。
  • 麻省理工学院媒体实验室2025年脑电实验覆盖54人，AI写作组在神经、语言、行为层面表现落后，且难以准确引用刚写完的内容；该研究未经同行评审，结论为初步结果。
  • OECD《2026年数字教育展望》将思考外包现象称为“元认知懒惰”；另一项覆盖666人的研究发现AI工具使用频率与批判性思维得分显著负相关。

文章拆解

这场拼图实验的价值不在“AI输了”本身，而在于它把两类智能的边界摆到了桌面上。纯白地狱的规则封闭、答案唯一、容错极低，理论上适合机器；但视觉大模型的工作方式是生成描述，不是输出可复现的物理测量。拼图咬合容差以零点几毫米计，模型却只能说“凸得比较陡”，无法稳定给出凸点位置和曲率半径。两次描述同一拼块还可能措辞不同，这种不可复现性直接判了精密匹配的死刑。

更深一层的问题是全局状态维护。人类拼图时，已拼好的区域是锚点，每放一片都在积累确定性，错了可以回溯。大模型没有这张“桌子”，每次回答都从零看图，局部配对无法沉淀为全局约束。于是出现A接B、B接C、C又接A的闭环并不奇怪——它做的是逐对判断，不是维护一个自洽的拼图状态。JigShape研究中的“规模悬崖”正是同一逻辑的量化表现：16片时几十条约束还能勉强应付，64片、144片后约束数量指数增长，微小错误互相传染，最终全线崩塌。

但文章的反转同样重要：自动拼图求解是AI领域几十年历史的老课题，经典路线通过边缘轮廓提取、像素级坐标、欧氏距离误差矩阵和搜索优化，早已能处理数百片规模的无图案拼图。按教科书定义，这套系统也是AI。所以准确结论不是“AI拼不出纯白地狱”，而是新AI拼不出、老AI能拼。新AI从数据学模式然后生成，赢在开放和泛化；老AI把问题变成数学然后计算，赢在精确和可靠。把封闭精确任务交给生成式模型，就像让翻译去操作车床，错在任务分配，不在模型笨。

对行业和用户而言，这一案例提示了一个更普遍的风险：我们容易把“会说话”误认为“会测量”，把描述能力当成执行能力。在需要零误差的制造、检测、装配等场景，生成式视觉模型尚不能替代基于几何测量的专用系统。与此同时，文章引用的MIT媒体实验室2025年脑电实验和OECD“元认知懒惰”概念指向另一头——人类正把写作、思考、判断等本来擅长的事外包给AI，而把精确匹配这类该交给老AI的活留给大模型，两头错配。需要说明的是，MIT研究未经同行评审，结论为初步结果，666人研究与批判性思维的负相关也不能直接推导为因果关系，尚待确认。

值得关注的变量有两个：一是视觉模型能否通过工具调用接入精确测量模块，把“描述”升级为“测量加搜索”，从而跨越规模悬崖；二是人类在AI辅助下如何保留动手验证和全局判断的习惯。拼图实验的最终提醒或许不是人机谁强，而是任务该由谁做——这个判断本身，仍然需要人来完成。

查看原文