AI能看懂数学题图片，却算不出正确答案

给AI出一道小学数学题：如果输入纯文字，它能秒算出正确答案；但把同样的题目转成高清图片再输入，它能精准识别图里的每一个数字和符号，最后却给出一个错得离谱的结果。

浙江大学和阿里安全的研究团队把这种诡异的现象命名为“视而不思”——模型的“眼睛”没问题，“脑子”却在视觉输入时突然“罢工”。更关键的是，他们在MATH500数据集的受控实验里发现，70%左右的失败案例都不是因为看错了，而是纯粹的推理错误。这就像一个学生能认出试卷上的所有字，却完全不会解题。为什么视觉输入会成为AI推理的“隐形障碍”？

不是看不懂，是找错了“解题专家”

要搞懂这个问题，得先拆解AI的“大脑结构”——这次出问题的是多模态MoE模型，简单说就是把AI拆成了好多个“专业专家”，比如专门处理视觉的“图像专家”、专门算数学的“推理专家”，还有一个“路由器”负责给不同的输入分配对应的专家。这种设计本来是为了高效分工：看图片找图像专家，做推理找数学专家。

研究团队先排除了最直观的猜想：是不是图片和文字的语义没对齐？他们做了个跨模态干预实验，把纯文字里的数字“灵魂”注入图片的数字“外壳”，结果发现模型中间层的语义共享成功率超过90%——也就是说，AI完全知道图片里的数字和文字里的是一回事。

真正的问题出在“路由器”上。他们用基尼系数分析专家的特化程度，发现了一个清晰的层级分工：图像专家集中在模型的早期和末尾层，负责处理视觉编码和输出准备；而数学推理专家全挤在中间层，正好是跨模态语义共享的核心区域。更要命的是，这两类专家在中间层几乎没有重叠。

视觉输入干扰了“路由器”的判断

当AI处理图片版的数学题时，“路由器”会先把信号分给早期的图像专家——这本来没问题，但视觉信息带来的干扰，会让路由器在中间层“分心”：本该分配给推理专家的计算资源，被错误地分给了和推理无关的专家。

研究团队用Jensen-Shannon散度量化了同一道题的文字版和图片版在专家激活上的差异，结果呈现出一个明显的U型曲线：早期和末尾层的分歧本来就大，但中间层的分歧和视觉输入的复杂度直接挂钩——图片越复杂，中间层的路由分歧就越大，对应的推理准确率就越低。比如三个视觉复杂度递增的版本，推理准确率分别是89.0%、88.2%、87.4%，而纯文字版本的准确率是92.8%。

这就是他们提出的“路由分心假说”：视觉模态本身不会损害AI的推理能力，但会干扰路由器的分配决策，让AI找不到真正能解题的那个“专家”。说直白点，就是考试时找错了同桌抄答案。

给路由器“指路”，就能让AI重新思考

找到了问题根源，解决方法就很直接：给路由器“提个醒”，让它别忘了激活推理专家。研究团队设计了两种干预方式：软干预是给推理专家的激活权重加个“buff”，硬干预是直接强制路由器选择推理专家。

实验结果很明确：软干预在所有模型和任务里都实现了稳定提升，平均准确率提高1.5%，在复杂的MathVerse任务上最高提升了3.17%；而硬干预的效果不稳定，甚至在有些模型上起了反作用。更关键的是，随机给无关专家加buff的对照组几乎没有提升，这说明性能提升确实来自于激活了正确的专家，而不是简单的扰动。

当然，这种方法也有局限：它只对“看得懂但不会算”的场景有效，如果任务本身需要先从复杂图片里提取信息，比如从一堆场景图里找数字，那路由引导的作用就很有限。而且专家识别对任务类型很敏感，用基础算术的专家去解决几何题，不仅没用还可能拖后腿。

这次研究最有意思的地方，是它戳破了一个关于AI的错觉：我们总觉得多模态模型能“像人一样”同时处理视觉和语言信息，但实际上，AI的“看”和“想”可能是两条完全独立的流水线，稍微有点干扰就会脱节。

“路由分心”只是AI推理失败的一个切面，未来我们还得搞清楚，空间关系、几何图形这些复杂视觉概念的语义对齐到底有多难，路由分歧和推理性能之间的精确因果链到底是什么。但至少现在，我们找到了一个能让AI“集中注意力”的小技巧——有时候，让AI好好思考的关键，只是帮它找对那个会解题的“专家”。

看得清，更要找对路。