视觉幻象还是真实突破？中日联合研究质疑DeepSeek“读图”新成果

据scmp报道，人工智能领域爆发了一场罕见的技术遭遇战，焦点直指中国当红AI独角兽DeepSeek的核心技术。

来自日本东北大学与中国科学院的联合研究团队，今日发布了一份名为《视觉优势还是语言拐杖？深入研究DeepSeek-OCR》的重磅报告，直接质疑了DeepSeek数月前引发轰动的“视觉文本压缩”技术。

这项曾被誉为能让AI“一目十行”甚至“过目不忘”的革命性创新，在科学家的显微镜下显露出了尴尬的一面：它可能并不是真的“看懂”了文件，而是凭借强大的语言直觉在“猜”内容。

这场学术界的正面交锋，不仅给DeepSeek的高速发展踩了一脚刹车，也让整个科技界开始重新审视多模态大模型的真实能力边界。

“降维打击”背后的技术隐忧

要理解这场争议的严重性，我们需要先回顾一下DeepSeek到底做出了什么惊艳的承诺。

在几个月前，DeepSeek推出了一项名为DeepSeek-OCR的技术，宣称找到了一条处理超长文本的捷径，即“视觉感知压缩”。

传统的AI阅读长篇小说或法律文档时，是将文字逐个转化成Token（计算机能理解的词元），这不仅昂贵而且计算量巨大。

DeepSeek-OCR技术利用视觉感知作为压缩媒介，能够处理大型复杂文档。图片：路透社

DeepSeek的工程师们另辟蹊径，他们让AI把文本直接当成图片来看，利用视觉信息的高密度特性，将原本冗长的文字压缩成极其精简的视觉信号。

根据当时的数据，这种方法能将长文本的信息处理效率提升10到20倍，甚至有媒体惊呼这是通向“无限上下文”的圣杯。

然而，中科院与东北大学的最新研究却给这盆热火浇了一盆冷水。

研究人员发现，当DeepSeek的模型面对一份由于扫描质量不佳或字体模糊的文档时，它依然能流畅地输出内容，但这恰恰是问题所在。

在严格的受控实验中，研究者故意遮挡了文档中的关键视觉信息，或者输入了一些视觉上极难辨认的乱码图片，DeepSeek的模型竟然依然能“读”出通顺的句子。

这揭示了一个令人不安的真相：模型在很大程度上并非依赖“眼睛”去识别图片中的字形，而是依赖大脑中预存的“语言先验知识”在进行填空游戏。

换句话说，就像一个偷懒的学生，虽然看不清黑板上的字，但凭借对课文的背诵和上下文的理解，硬是把笔记抄全了。

这种“脑补”能力在处理常规文章时或许能蒙混过关，甚至显得表现优异，但在处理财务报表、医疗档案或法律合同等容错率为零的场景时，就埋下了巨大的雷。

一旦文档中出现了不符合常规逻辑的真实数据，过度依赖“语言直觉”的模型极有可能无视眼前的视觉证据，强行输出它认为“合理”但实际错误的各种信息。

被误导的性能指标与行业反思

这份研究报告最尖锐的指控在于，它指出DeepSeek此前公布的性能指标具有“误导性”。

在标准测试集中，由于文本内容大多符合人类语言的通用规律，模型的“猜词”命中率极高，从而掩盖了其视觉识别能力的短板。

研究团队创造性地引入了“语义干扰”测试，即在文档图片中故意插入一些语义不通顺但视觉清晰的文字。

结果显示，DeepSeek-OCR的性能瞬间大幅跳水，它往往会忽略那些真实的“乱语”，而试图将其纠正为通顺的“人话”。

这种现象在心理学上被称为“空想性错视”，如今却生动地发生在最前沿的人工智能身上。

对于急于将AI落地到金融审核、自动驾驶等高风险领域的企业来说，这无异于一记警钟。

如果AI只是在“假装”看见，那么它所构建的安全大厦可能建立在沙滩之上。

这篇论文的发表在各大技术社区引发了激烈的讨论，许多开发者开始复盘自己在使用DeepSeek接口时遇到的“幻觉”问题。

一位不愿透露姓名的硅谷工程师在社交媒体上表示，这解释了为什么他们的文档分析工具偶尔会“创造”出原文件中不存在的日期和金额。

这种对“先验知识”的过度依赖，本质上是目前所有大语言模型面临的通病，即模型太聪明了，聪明到学会了如何走捷径来通过考试。

DeepSeek此次遭遇的质疑，实际上是整个AI行业从“暴力美学”向“精细化认知”转型过程中必须经历的阵痛。

依靠堆算力、堆数据带来的能力提升，终究会撞上逻辑与物理现实的墙壁。

真正的多模态智能，不应仅仅是视觉与语言模块的简单拼接，而应建立在对物理世界真实感知的因果链条之上。

打破黑盒：迈向可信赖的AI

尽管面临严厉的学术指控，但我们不应全盘否定DeepSeek在探索新型架构上的勇气。

将文本视觉化压缩依然是一个极具潜力的研究方向，它试图打破语言模型对文本序列长度的物理限制。

此次中日研究团队的发现，更像是一次必要的“纠偏”，它迫使研究人员从单纯追求压缩比和跑分，转向关注模型内部的运作机理。

这也给中国乃至全球的AI初创公司提了一个醒：在激烈的军备竞赛中，发布的每一项“黑科技”都将被置于全球同行的显微镜下。

科学的进步往往不是直线向上的，而是在不断的提出假设、验证假设和推翻假设中螺旋上升。

东北大学与中科院的这项研究，为我们提供了一套全新的检测工具，即如何区分AI是在“看”还是在“猜”。

这对于未来构建更加鲁棒、可信的AI系统至关重要。

我们期待DeepSeek团队能正面回应这一技术挑战，通过改进算法架构，平衡视觉感知与语言推理的权重。

也许下一代的DeepSeek-OCR，能够真正学会像人类一样，既能利用经验快速阅读，又能在关键细节上“眼见为实”。

这场关于“视觉优势”与“语言拐杖”的辩论，注定将成为2026年AI发展史上一个重要的注脚。

它提醒我们，在通往通用人工智能的道路上，诚实地面对技术的局限性，比盲目地欢呼每一个高分榜单都要重要得多。

毕竟，我们需要的是一个真正能帮人类解决问题的助手，而不是一个擅长脑补的“差不多先生”。

随着更多第三方独立研究的介入，人工智能技术祛魅的过程正在加速，这对于整个行业的健康发展而言，无疑是一件幸事。