我哋一面驚 AI 搶走人類所有工作，一面又發現佢連基本嘅專注力都守唔住——呢個矛盾，正正係2026年人工智能科學界最尷尬嘅發現。長久以來，我哋習慣將大型語言模型喺短問答入面嘅神勇表現，直接等同於「超級智能」。然而，當研究人員將人類心理學入面經典嘅注意力測試搬入實驗室，結果卻令人大跌眼鏡。2026年嘅一項研究顯示，當頂尖AI模型處理簡短嘅顏色命名任務時，佢哋輕易攞到超過九成嘅準確率；但當任務長度同複雜度增加，呢啲系統嘅表現卻出現斷崖式下跌，甚至去到近乎完全失效嘅地步。由超過90%準確率暴跌至近乎失效，呢個數據唔單止揭示咗算法嘅死穴，更迫使科學界重新審視所謂「智能」嘅定義。
呢項研究採用嘅測試，本質上類似人類心理學入面用嚟評估持續專注力嘅經典範式。喺短序列下，AI模型能夠完美地將文字同顏色準確配對，表現出嚟嘅精準度甚至超越一般人類。但問題出現喺「延長戰線」之後。人類喺面對冗長且重複嘅認知任務時，注意力下降係漸進嘅，我哋會感到疲勞、走神，然後稍作休息就能恢復。但AI嘅崩潰卻係另一種模式：佢哋冇疲勞嘅主觀感受，卻喺數據量跨越某個臨界點後，出現災難性嘅遺忘同錯亂。呢種現象嘅底層邏輯，其實深深植根於目前主流AI嘅架構缺陷。Transformer模型依賴自注意力機制嚟權衡唔同輸入Token嘅重要性，但當上下文長度不斷增加，計算資源被迫攤薄喺海量嘅歷史數據上，導致模型對當前任務嘅「聚焦權重」急劇下降。學界稱之為「注意力稀釋」或者「注意力下沉」，即係模型被過去嘅噪音淹沒，失去咗對當下嘅感知。
對於呢個驚人嘅實驗結果，業界並非冇反對聲音。一部分樂觀嘅工程師同學者認為，呢種注意力崩潰只係現階段「上下文窗口」限制嘅副產品。佢哋主張，只要硬件算力繼續提升，配合更先進嘅位置編碼技術，AI自然能夠無限延長專注力。然而，呢種「大力出奇蹟」嘅論調忽視咗一個核心嘅認知科學事實：專注力唔係取決於你能睇到幾多嘢，而係取決於你能過濾掉幾多無關嘢。人類大腦嘅工作記憶容量極之有限，但我哋擁有強大嘅「選擇性注意」機制，能夠自動遮蔽干擾。而家嘅AI模型卻企圖記住所有輸入嘅每一個細節，結果當資訊量超過臨界點時，概率分佈就會失衡，模型開始產生幻覺，甚至將前面嘅指令完全拋諸腦後。如果唔從底層邏輯去模擬人類嘅「遺忘同過濾」機制，單純堆砌算力，只會將錯誤嘅噪聲放大，而唔係提升專注力。
呢個由九成準確率跌到接近零嘅現象，其殺傷力絕對唔局限於實驗室嘅分數。喺現實世界嘅高風險應用場景入面，呢種「突然死亡」式嘅注意力崩潰係極度危險嘅。想像一下，如果一個AI系統被用嚟分析動輒幾百頁嘅商業合同，初頭佢可能精準攞出所有重要條款，但去到文件後半段，因為注意力耗盡，佢可能會完全漏掉隱藏嘅免責聲明。又或者喺自動駕駛場景，AI需要長時間監控路況，一旦發生注意力崩潰，後果不堪設想。人類司機疲勞駕駛會有跡可尋，甚至有法規強制休息；但AI嘅注意力崩潰係無跡可尋嘅，系統唔會打呵欠，唔會反應遲鈍，佢只會喺一瞬間由極度精準變成胡言亂語。呢種缺乏預警嘅失效模式，令到現時嘅AI系統根本唔適合單獨處理需要長時間高度專注嘅關鍵任務。
重點摘要
- 2026年研究證實，頂尖AI模型喺經典心理學注意力測試中，隨任務延長而出現災難性崩潰。* 準確率由超過90%暴跌至近乎完全失效，揭示AI並非真正具備持續專注力。* 崩潰根源在於Transformer架構嘅「注意力稀釋」，計算資源被海量上下文攤薄。* 單純增加算力無法解決問題，缺乏「選擇性過濾」機制係AI結構性死穴。* 無預警嘅突然失效對長時間高風險任務構成巨大安全隱患。
總括而言，AI注意力崩潰之謎，係一記響亮嘅警鐘。佢提醒我哋，真正嘅智能唔單止需要強大嘅計算能力，更需要精準嘅節制同過濾能力。未來AI嘅突破，唔應該再盲目追求更大嘅參數量同更長嘅上下文窗口，而係應該借鑒神經科學，為AI裝上一個類似人類前額葉皮質嘅「過濾閥門」。唯有令模型學識「忽略」無關痛癢嘅噪音，佢先至可以真正「記住」重要嘅任務。如果唔能夠解決專注力呢個死穴，再聰明嘅AI，最終都只會淪為一個缺乏耐性、無法持久嘅半桶水，難以喺關鍵領域擔當大任。