編按：AI模型在透明杯尋球實驗中，竟無法正確追蹤球的位置，引發外界熱議。本文解析大語言模型的空間推理、物理常識與多模態能力限制，帶你理解AI距離真正的智慧還有多遠。
近期在社群網站引起熱議的「杯中尋球」實驗，為我們提供一個重新審視AI認知能力的絕佳視角。實驗設計極其簡單，測試者準備三只杯子與一顆紅球，在鏡頭前演示球的移動過程。這原本是連學齡前兒童都能輕鬆完成的空間追蹤任務，但當今最強大的大型語言模型面對這場遊戲時，卻展現出令人玩味的反應。
當實驗者將杯子依序標記為1、2與3號，並在眾目睽睽之下，將球放入2號杯後開始移位，AI的表現就像一個在機率與現實之間徘徊的觀察者。即便杯子是透明的，球的位置理應毫無懸念，模型卻誤判球在3號杯。這種失敗並非偶然，而是觸及了當前技術架構的本質局限。
文字與現實的落差
透明這個變因，對AI造成的衝擊尤為值得深究，對人類而言，透明意味著視覺上的絕對真實，任何遮掩都無所遁形。但對仰賴文字處理邏輯的語言模型而言，「透明」僅是一個輸入的屬性標籤，而非直觀的物理規律。當模型接收到杯子透明的資訊時，它在語義層面理解「不被遮蔽」的定義，卻無法在推理空間中，即時模擬出球體在透明容器內的物理連貫性。
這導致模型在處理文字標籤與感知實體球之間，產生劇烈矛盾，即便視覺證據清楚顯示球的位置，模型往往受困於訓練資料中關於「杯子會藏球」的機率慣性，讓視覺事實敗給了文字習性。這種落差，正是早期AI在空間感知上的核心缺失。
隨著實驗進入後半段，AI在視覺引導下，展現令人驚訝的修正能力。當測試者引導模型關注透明杯子的特性後，它開始能精準捕捉球的動態。更值得注意的是，實驗者刻意在其中一只杯子，貼上「球在這裡」的標籤，試圖誘導判斷。經過視覺校準的模型，成功識破了這個陷阱，明確指出那不過是一個誘餌，球實際上位於左側的1號杯。這種辨識偽裝的能力，展示多模態模型在視覺資訊介入後，如何嘗試超越純文字的邏輯束縛。
物理常識的瓶頸
不過，這種成功同時揭示一道隱憂，AI雖然最終做出正確結論，但背後是否具備真正的邏輯判斷力，抑或只是更複雜的像素機率匹配，仍是技術界爭論的核心。人類分辨標籤真偽，是基於對物理世界的長期共處，但AI必須在文字機率與即時視覺數據之間動態權衡。一個在初期就因文字慣性，而忽略視覺事實的系統，在處理更複雜的現實問題時，決策穩定性將面臨嚴峻考驗。
從技術底層來看，當前大語言模型在物體恆常性的理解上，遇到了巨大瓶頸。這種人類嬰兒期就已發育成熟的認知能力，對AI而言，卻是難以建構的數學命題。雖然很多最新模型紛紛宣稱，正朝世界模型邁進，但實驗初期的挫敗仍說明，基於機率的字詞預測，在缺乏物理模擬支撐時，是多麼脆弱。人類理解球在杯下移動，是連續且符合因果律的過程，AI本質上，卻仍在處理不連續的數據，因此，在物理空間推理上容易失敗，難以建立關於重力、空間遮擋或慣性的深度認知。
實驗中，AI雖識破了誘餌標籤，但必須在人類明確提示「杯子透明」的前提下，才能完成任務，說明模型仍缺乏自發性的物理覺察。它無法像人類一樣，在看到杯子的瞬間，自動載入「透明」對應的所有物理邏輯。這種被動式的認知模式，限制了AI在非預期環境下的適應力。當物理規則發生細微變化，例如，杯子半透明或光影產生干擾，模型的判斷力往往大幅下降，顯示AI距離真正的通用智慧，仍有一段遙遠的路途。
重建認知的路徑
這場透明杯子的邏輯迷宮，是一記清醒的警示，我們必須重新審視AI的本質，體認它雖已展現強大的多模態整合能力，本質上，仍是一個基於海量數據的統計預測工具，而非具備物理直覺的意識體。它的成功，來自對數據模式的歸納，而非對客觀真理的深層掌握。開發者與使用者在擁抱技術進步的同時，必須清楚認知其能力邊界。未來的AI研發路徑，必須嘗試結合嚴密的符號邏輯，以及真實的物理模擬，讓機器真正理解世界的運作方式，而不僅僅是學會如何描述它。
只有當AI學會無視具有誤導性的文字標籤，轉而關注事物本質的物理連結，它才算真正具備與人類協同工作的認知基礎。這次實驗中，AI成功辨識了誘餌，但這僅是邁向真實理解的一小步。在我們引導AI走出透明杯子的迷宮之前，我們自己也必須先從對AI全知全能的幻覺中，清醒過來。面對這個由位元與原子交織而成的未來，唯有深刻理解機器的局限，我們才能更精準界定人類智慧，在決策鏈結中不可取代的價值。
本文章反映作者意見，不代表《遠見》立場
（作者為台北商業大學榮譽講座教授）
