撰文、编程、解题……AI正在越来越多领域媲美人类。然而，一项发表于《美国科学院院刊》子刊的新研究却向我们发出提醒：AI可能在人类习以为常的一项日常能力上意外“翻车”——面对干扰时，持续保持专注。

研究人员借用一个在认知科学中沿用数十年的经典实验范式——Stroop任务（颜色-词汇干扰测试），对GPT-4o、Claude 3.5 Sonnet、GPT-5等当前最先进的大语言模型进行了系统评估。

结果显示：当任务较短时，这些模型尚能准确识别颜色；而一旦任务序列拉长，它们的表现便急剧恶化，部分模型的准确率从90%以上骤降至几乎完全失效，仿佛机器也会“走神”。

01什么是Stroop任务？

Stroop任务是一项经典的心理学测试，数十年来一直被用于研究注意力、专注力和自控能力。

在测试中，会展示用彩色墨水印刷的颜色名词，例如“红”“蓝”“绿”，分为两种情况：一是词义与墨水颜色一致，例如用红色墨水印刷“红”字；二是词义与墨水颜色冲突，例如用蓝色墨水印刷“红”字。受试者被要求说出文字的墨水颜色，而非读出文字本身。

这项任务看似简单，但它制造了一个挑战，因为对大多数人来说，阅读文字是一种自动化的习惯。大脑必须主动抑制阅读文字的冲动，转而专注于识别墨水颜色。

心理学家常借助这项实验来测量所谓的“执行控制”能力，即一套帮助人们调节注意力、抵抗干扰、并保持目标专注的心理过程。

02AI的注意力专项测试

研究团队希望探明，当前大型语言模型处理这类认知冲突的方式，是否与人类一致。

ChatGPT、Claude和Gemini等工具背后的核心均为大型语言模型。这类AI通过海量文本训练，习得语言规律，输出的回答往往极具人类语感。

测试时，在仅包含5个颜色词汇的短列表中，即便词义和墨水色彩不匹配，各类AI整体表现良好。

然而，一旦词汇列表加长，AI表现出现断崖式下滑：GPT-4o在处理5个词汇时准确率达91%；而词汇增至10个，准确率跌至57%；当列表扩充至40个词汇后，准确率仅剩15%。Claude 3.5 Sonnet在20个词以内的列表中表现稳定，超过20个词后正确率骤降，处理40个词长列表时，准确率跌至24%。’

GPT-4o和Claude 3.5 Sonnet的表现（准确性）研究人员在GPT-5、Claude Opus 4.1、Gemini 2.5等模型中均观测到相同的衰减规律。

03AI为何注意力失守？

当匹配和不匹配的颜色词同时出现在同一个列表中时，任务难度进一步提升。在这种情况下，AI模型的表现持续恶化，在某些情况下，不匹配色词的识别准确率几乎降至0。

研究人员分析，AI难以牢牢记住“识别墨水颜色”这条核心指令，反而会越来越本能地直接读取文字本身。换句话说，这些系统似乎无法持续抑制它们被训练得最多的那种反应（即读取文字）。

这一发现特别有趣，因为人类也面临类似的冲突。我们通常更擅长读出文字，而非说出墨水颜色。不过，尽管存在这种偏向，在面对一长串词义、色彩矛盾的文本时，绝大多数人仍能保持高准确率，且表现稳定。

图源：包图网

04人类注意力vs机器注意力

该研究凸显了人类智能与人工智能的一个重要区别。

当下，AI系统虽然拥有亮眼的语言生成与逻辑推理能力，但其底层运行机制与生物大脑的注意力调控逻辑截然不同。

人类通常能够在过滤冲突干扰信息的同时，持续专注于特定目标。但研究结果表明，当任务强度持续提升时，当前的AI模型很难实现这种认知自控。

研究团队表示，这些实验中出现的性能崩盘，暴露了当前大型语言模型的底层局限。AI虽能在部分场景模仿人类行为，但其维持注意力的逻辑，和人类存在本质区别。

该研究提醒我们：即便是当前最前沿的AI系统，依旧存在明显短板，特别是当任务需要长时间抵御干扰、持续处理长串信息时，AI的注意力缺陷会暴露无遗。