AI 連時鐘都看不懂？ClockBench 最新測試揭示頂尖模型的驚人弱點

我們總以為 AI 無所不能，但一個簡單的類比時鐘卻讓 Google Gemini 和 OpenAI GPT-5 等頂尖模型紛紛敗下陣來。最新的 ClockBench 基準測試顯示，人類的準確率高達 89.1%，而最強的 AI 卻只有 13.3%。這項發現揭示了 AI 在視覺推理能力上的巨大鴻溝，以及未來發展的關鍵挑戰。

我們經常驚嘆於人工智慧的飛速進步。它們能寫詩、能編寫程式碼、能生成以假亂真的圖像，似乎正朝著超越人類智慧的道路一路狂奔。但如果現在問你一個問題：當今最頂尖的 AI，看得懂傳統的指針時鐘嗎？

答案可能會讓你大吃一驚。

最近，一個名為 ClockBench 的全新 AI 基準測試平台，就給了這些超級大腦們一個「下馬威」。結果顯示，即使是像 Google Gemini 2.5 Pro 和傳聞中的 GPT-5 這樣的頂級模型，在「讀懂時鐘」這個看似簡單的任務上，表現也只能用「慘不忍睹」來形容。

這不只是看時間，而是對 AI 推理能力的終極拷問

你可能會想，不過就是個時鐘，有什麼難的？

這正是 ClockBench 設計的巧妙之處。讀取類比時鐘不僅僅是辨識數字而已，它需要一種更深層次的能力——視覺推理。AI 必須理解時針、分針和秒針之間的空間關係，辨識刻度，並將這些視覺資訊綜合起來，轉換成一個精確的時間概念。

這項任務的難度，據研究人員表示，足以媲美 DeepMind 創辦人 François Chollet 所提出的 ARC-AGI-2 挑戰，甚至可能比知名的「人類最終大考（Humanity’s Last Exam）」還要困難。它直接戳中了當前 AI 技術的核心弱點。

不只是答錯，而是錯得離譜

ClockBench 的測試結果，用「驚人」來形容絕不為過。數據顯示：

• 人類的平均準確率高達 89.1%。(這邊備註一下，他們選擇的時鐘測試樣本有一個只有時針跟分針，沒有刻度)
• 表現最好的 AI 模型 Gemini 2.5 Pro，準確率卻只有 13.3%。

更讓人意外的不是「答錯」，而是「錯得多離譜」。

研究人員發現，人類在讀錯時間時，中位數誤差通常只有 3 分鐘。這很合理，可能是匆忙間看錯了一點點。然而，表現最好的 AI 模型，其中位數誤差竟然長達 1 小時！至於那些表現較差的模型，誤差更是高達 3 小時左右。在一個 12 小時制的時鐘上，3 小時的誤差幾乎跟隨機亂猜沒什麼兩樣了。

這顯示出 AI 並非「差一點就看懂了」，而是在根本上就沒有真正「理解」時鐘的運作原理。它們只是在龐大的數據庫中尋找最接近的模式，一旦模式稍微改變，整個系統就可能崩潰。

是什麼絆倒了這些數千億參數的超級大腦？

既然 AI 這麼容易出錯，那麼具體是哪些特徵讓它們頭痛不已呢？ClockBench 的數據給出了答案。模型在處理以下幾種類型的時鐘時，表現最差：

• 羅馬數字錶盤： 這需要 AI 不僅辨識形狀，還要理解另一套數字系統。
• 環形排列的數字： 當數字不是標準的直立方向，而是沿著圓周旋轉排列時，AI 的辨識能力會大幅下降。
• 複雜或鏡像的背景： 當錶盤背景有干擾圖案，或者整個時鐘被鏡像反轉時，AI 很難從噪音中提取有效資訊。
• 帶有秒針的時鐘： 多一根指針，就多了一層需要理解的空間關係，也增加了混淆的機率。

這些對人類來說輕而易舉的任務，卻成了 AI 難以逾越的障礙。這也再次證明，AI 的「視覺」和人類的視覺，在底層邏輯上存在著根本的差異。

一個奇怪的悖論：糟糕的讀者，卻是優秀的數學家

最有趣的部分來了。儘管這些 AI 看不懂時鐘，但如果你告訴它一個準確的時間，它們卻能在此基礎上進行完美的邏輯推理。

測試顯示，當被問及「將時間撥快或撥慢幾小時」、「將時針旋轉特定角度後是幾點」或「換算到另一個時區」這類問題時，許多頂尖模型的準確率非常高，甚至能達到 100%。

這就形成了一個奇特的悖論：AI 是一個糟糕的「資訊讀取者」，卻是一個出色的「邏輯計算者」。

這意味著問題的核心出在視覺感知與解讀的第一步。它們無法準確地將圖像轉化為抽象的時間概念，但一旦這個概念被（由人類）提供，它們後續的推理能力是完全沒問題的。這就像一個看不懂樂譜的音樂家，只要你告訴他要彈哪些音符，他就能演奏出華麗的樂章。

所以，這到底意味著什麼？

ClockBench 的出現，並不是為了嘲笑 AI 的無能，而是為整個領域敲響了一記警鐘。它清楚地表明：

1. AI 的「理解」與人類不同： 目前的 AI 更擅長模式匹配，而非真正的、全面的情境理解。
2. 視覺推理是巨大挑戰： 讓 AI 學會像人一樣「看懂」世界，而不僅僅是「看到」，是通往更通用人工智慧（AGI）的關鍵瓶頸。
3. 基礎研究的重要性： 這類基礎性的基準測試，對於暴露當前技術的盲點、指引未來的研發方向至關重要。

當我們在為 AI 的各種成就歡呼時，像 ClockBench 這樣的研究提醒著我們，前方的路依然漫長。畢竟，如果一個連時鐘都看不懂的智慧體，我們真的能放心地將更複雜的任務交給它嗎？

常見問題解答 (FAQ)

Q1: 為什麼要用類比時鐘來測試 AI？

A: 因為類比時鐘是一個完美的測試工具。它將符號辨識（數字、刻度）、空間關係理解（指針位置）和上下文推理（時針與分針的關聯）等多种複雜的視覺推理任務集於一身，能有效地評估 AI 的綜合視覺理解能力。

Q2: 這次測試中哪個 AI 模型表現最好？

A: 在所有參與測試的 11 個頂尖大型語言模型中，Google 的 Gemini 2.5 Pro 表現最好，但其 13.3% 的準確率與人類 89.1% 的水準相比，仍有巨大的差距。

Q3: 這是否表示現在的 AI 並沒有我們想像中那麼聰明？

A: 這說明 AI 的「智慧」與人類的智慧類型不同。它在數據處理、邏輯運算等特定領域遠超人類，但在需要綜合感知和情境理解的任務上，則暴露出明顯的短板。ClockBench 正是突顯了其中一個重要的盲點。

Q4: 我可以在哪裡了解更多關於 ClockBench 的資訊？

A: 您可以訪問 ClockBench 的官方網站 clockbench.ai 來獲取更詳細的研究數據和資訊。