标题长度硬性要求60字符内30汉字仅输出一个

AI 确实能干很多事，但黑历史也不少。数不清 Strawberry 里有几个 r，知道马嘉祺却喊不出名字，还有那老生常谈的 AI 幻觉——这些槽点大家都熟。今天又添新料：谷歌搜索翻车了。有用户发现，升级了 AI 能力的谷歌搜索，在面对“google 里面有几个 P”这种幼儿园级问题时，竟然答不上来。

这事儿一传开，立马引发了围观和测试潮。我们也试了一下，就算用汉语提问，谷歌搜索照样出错，还自作主张加了戏——说 Pixel 里面有两个 P。更离谱的是，不只是“google”这个词，面对其他很多词，谷歌搜索在字母计数和拼写检查上也是一塌糊涂：

甚至纯汉语的问题也逃不过：

问题来了：这是为什么？

谷歌把搜索引擎 AI 化了

要理解这次事故，得先看看谷歌最近干了什么。今年 5 月的 Google I/O 2026 大会上，谷歌宣布了一次被形容为“搜索框 25 年来最大升级”的改版。新版搜索以重新设计的“智能搜索框”为核心，把 AI Overview 和 AI Mode 整合成了一套统一的流程：用户提问后，AI 直接生成答案，还支持追问；传统链接依然保留，但不再是主角。谷歌搜索负责人 Liz Reid 将这次升级定性为“过去 25 年来搜索框最大的一次升级”。说白了，这是谷歌在 OpenAI、Perplexity 等 AI 搜索步步紧逼下的全面押注。

但问题随之而来。几周前，就有用户发现，在谷歌搜索框里输入“disregard（无视）”，AI 没有给出词典释义，反而把这个词当成了指令，回复说：“好的，我已忽略你之前的消息，有什么新问题请告诉我。” 谷歌很快修复了这个 bug。

但拼写错误的问题，至今仍没解决。TechCrunch 咨询了谷歌相关人员，得到了一个相当坦诚的回应：“在词内部数字母一直是大语言模型的已知难题，我们正在修复这个特定问题。”

真正的原因：AI 其实“看”不见字母

谷歌的回应点出了核心：这不是谷歌一家的问题，而是当前所有大语言模型（LLM）共同的结构性缺陷。想理解 AI 为什么数不清字母，得先搞清楚 AI 是怎么“读字”的。

我们人类读一个词，是按字母一个一个扫过去：G-O-O-G-L-E，六个字母。这个过程天然包含了对字符的感知。但 LLM 不是这样工作的。它处理文字的基本单位不是字母，而是 token——一种更粗粒度的“语言碎片”。一个 token 可能是一个完整的单词，也可能是半个单词，甚至几个词的组合。以 OpenAI 的分词器为例，“Strawberry”这个词会被切成三个 token：“Str”“aw”“berry”。对 AI 来说，它接收到的不是 11 个字母，而是 3 个抽象的语言单元。你让它数里面有几个“r”，它必须先“还原”这些 token 里隐藏的字母信息——这一步没有被明确训练过，所以往往做不好。

“Google”这个词同样如此。在常见的分词方案下，它极有可能被当成一个 token 整体处理，其中的字母组合信息已经被“压缩”进了一个抽象编号。问 AI 里面有几个 P，相当于问一个只背过单词音节的人，那个词里有没有某个字母——他未必知道。马里兰大学 AI 研究员 Matthew Guzdial 解释说：“当模型看到 the 这个词时，它拿到的是 the 的整体编码，它并不知道里面有 T、H、E。”

LLM 处理的是语言的“意思”，而非文字的“形状”。拼写恰恰属于后者。

老问题了

“Strawberry 里有几个 r”这道题，早在大模型兴起之初就成了测试 AI 的经典梗。几乎所有主流模型，在不加特别提示的情况下，都会答错。刚刚加入 Anthropic 的 Andrej Karpathy 曾专门写了一个小程序，用 emoji 可视化 token 的切分方式，让普通人直观感受到“AI 眼中的文字”是什么样的。当你看到“How many letters 'r' in the word 'strawberry'?”在模型视角里变成一串被随机切开的色块，就能明白为什么它数不清了。

有意思的是，这个问题并非无解。如果你在提问时加上“请逐步思考”或“请先把每个字母列出来”，模型通常能答对。这说明它具备推理所需的基础信息，只是在没有被要求“认真想”的情况下，会直接给出一个快速直觉答案，而这个答案往往是错的。这种现象和心理学里的“系统一 / 系统二”思维模式颇为相似：人类平时也依赖快速直觉（系统一），只有在被要求时才切换到深思熟虑（系统二）。大模型的默认模式，也是“能省则省”。

Karpathy 给这种 AI 能力分布不均的现象起了个名字：Jagged Intelligence（参差不齐的智能）。一个能在数学奥林匹克竞赛中拿银牌的模型，可能数不清一个单词里有几个字母；一个能写出流畅代码的 AI，可能判断不了两个圆是否重叠。这种反直觉的能力分布，是当前大模型的普遍特征，而非个别缺陷。

为什么这次在谷歌身上特别扎眼？

同样的底层问题，为什么偏偏在谷歌搜索这里引发了更大的讨论？原因很简单：场景变了，预期就变了。在 ChatGPT 或其他 AI 聊天工具里，用户多少有心理预期：这是个 AI，它可能犯错，偶尔答错数字母也情有可原。但谷歌搜索不同。几十年来，它是很多人获取准确信息的默认入口，是“有问必答”的代名词。当谷歌把 AI 直接嵌入搜索结果页面，并以权威口吻给出“答案”（而非链接），用户的容错预期就大幅降低了。一旦答错，观感比同样的错误发生在独立 AI 产品上严重得多。

更何况，这次翻车的词不是什么生僻名词，而是“Google”本身。这传播效果，可以说是被完美拿捏了。事实上，这已经不是 Google AI Overviews 第一次出现离谱错误。2024 年功能刚上线时，它曾把 Reddit 玩笑帖和讽刺内容误当成可靠信息来源，甚至建议用户在披萨里加入胶水、或“每天吃一块小石头”。尽管谷歌随后进行了多轮修复，但近期再次出现把普通词汇误识别为系统指令的问题，也说明大模型在信息检索、上下文理解与指令边界识别上，仍存在较深层的系统性缺陷。

能治吗？

从技术角度看，答案：难，但有方向，也有代价。Northeastern 大学研究 LLM 可解释性的博士生 Sheridan Feucht 认为，“token 的边界本身就是模糊的，不可能存在一个完美的分词方案”。这句话点出了核心：如果要从根本上解决字母感知的缺陷，方向之一是抛弃现有的分词机制，改用更细粒度的方式处理文字。

举个例子，Meta AI 研究团队在 2024 年底发布了一种名为 Byte Latent Transformer（BLT） 的新架构，直接绕过分词器，让模型从最底层的“字节”开始处理文字——相当于让 AI 真正逐字符“读”一段话，而非靠抽象的语言碎片拼凑语义。在字符级任务的测试中，BLT 的表现远超基于分词的传统模型，在拼写类任务上接近满分，而 LLaMA 3 在同类测试里几乎全军覆没。BLT 由三个模块组成：一个轻量级 Local Encoder，用于将输入字节编码为分块表示；一个计算开销较大的 Latent Transformer，用于处理分块表示；以及一个轻量级 Local Decoder，用于解码下一个字节分块。与固定词表的分词方法不同，BLT 将字节动态分组为分块，从而保留对字节级信息的访问。

但这个方案的代价是显而易见的。抛弃分词，意味着序列长度急剧增加。一句话原本被压缩成几十个 token，换成逐字节处理后，序列长度会膨胀数倍乃至十倍。Transformer 的注意力机制计算量随序列长度呈二次方增长——序列翻倍，计算量可能翻四倍。这在训练规模上的代价，是任何大型商业模型都需要认真权衡的。Meta 的 BLT 通过一种“动态分组”策略缓解了这个问题：对于内容可预测、信息密度低的文字片段，模型会自动合并处理，减少无谓的计算；只在遇到复杂、高熵的语言片段时才精细处理。在同等推理成本下，BLT 的扩展效率甚至优于传统 token 模型。但这套架构目前最大的实验规模是 80 亿参数，距离谷歌、OpenAI 等公司动辄数千亿参数的生产级模型，还有相当距离。从零开始用新架构重新训练一个能支撑搜索引擎的大模型，成本可能是数亿乃至数十亿美元量级的事情。

另一个代价更低的方向，是让模型“知道自己不擅长什么”。Karpathy 将其称为 “认知自我知识（cognitive self-knowledge）”——如果模型能识别出“数字母”是自己的薄弱项，就可以在遇到此类问题时自动调用外部工具（如代码解释器、计算器、搜索）来辅助，而不是直接凭直觉给出错误答案。举个例子，针对经典的“strawberry 中有多少个 r”，谷歌搜索会检索网络后给出答案，而非让 AI 自己计数。Meta 在 Llama 3 的训练中，就专门针对“让模型只回答它知道的问题”做了系统性工程：通过知识探测技术，筛选出模型在多次采样中都能正确作答的问题生成训练数据；对那些模型反复答错的问题，则训练其学会拒绝回答，而非自信地给出错误结论。

相比重建架构，这类训练层面的修补成本要低得多，但它治的是症状不是病根。当然，补丁式的修复也在同步进行。从谷歌的表态来看，他们正在专门针对“词内字母计数”做优化。只是这类根植于架构的问题，修复周期往往比用户期待的要长得多，还涉及到成本问题。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：标题长度硬性要求60字符内30汉字仅输出一个要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题