People See Text：图像会不会是比文本更好的 AI 输入形式？

DeepSeek OCR 的论文，让很多大佬开始讨论一个深刻的问题：对大模型来说，图像会不会是比文本更好的输入形式？

**中南大学的探索**

中南大学 CSU-JPG 实验室发表了一篇文章，深入探讨了人类与 LLM 处理文本的不同方式。

**人类 vs LLM：处理文本的差异**

**LLM 的处理方式：**

LLM 通过将句子切分为子词单元（如"vis"，"ion"等）并将每个子词转换为数字 ID 来处理文本。这种"标记化"（Tokenization）方法虽然有效，但存在明显的局限性：

- 丢失文本的视觉特征
- 丢失文本的结构连贯性
- 无法像人类一样理解文字的整体形式
- 割裂了视觉与语义的天然联系

**人类的处理方式：**

人类阅读文本时，首先是通过视觉系统感知文字的形状、结构和布局，然后才理解其语义。视觉和语言在人类认知中是统一的、不可分割的。

**核心观点：文本首先是视觉**

文章提出了几个深刻的观点：

**1. 文本首先是视觉，而非仅是符号**

文字不仅仅是抽象的符号系统，它首先是一种视觉形式。字体、大小、颜色、排版——这些视觉元素都承载着重要的信息和情感。

**2. 视觉就是语言，两者并不割裂**

在人类认知中，视觉和语言是深度融合的。我们"看见"文字的同时就在理解它的含义。这种统一性是当前 LLM 所缺失的。

**3. 压缩即是感知，而非仅是工程手段**

将文本转换为图像并压缩，不仅仅是一种工程优化手段，更是一种更接近人类感知方式的信息处理方法。

**技术启示**

这个观点与 DeepSeek-OCR 的研究不谋而合：

- **效率提升**：图像可以更高效地压缩信息
- **信息完整**：保留了文本的所有视觉特征
- **认知对齐**：更接近人类的认知方式
- **多模态融合**：自然地统一了视觉和语言

**终极目标**

让模型像人类一样去读、去写、去"看见"文本。

**People see text. 很快，LLMs 与 LVMs 也会如此。**

**深层意义**

这不仅仅是一个技术问题，更是一个认知科学和人工智能哲学的问题：

1. **重新定义输入方式**：从符号到视觉的转变
2. **统一多模态理解**：视觉和语言的深度融合
3. **接近人类认知**：让 AI 更像人一样思考
4. **突破技术瓶颈**：解决当前 Tokenizer 的局限性

**未来展望**

随着 DeepSeek-OCR 等研究的推进，我们可能正在见证 AI 输入方式的一次范式转变：

- 从文本 Token 到视觉 Token
- 从符号处理到视觉感知
- 从割裂的多模态到统一的认知模型

**为什么重要？**

这个转变可能会：
- 大幅提升模型效率
- 增强信息理解能力
- 实现更自然的人机交互
- 推动 AGI 的发展

**结语**

文本不仅仅是符号，它首先是视觉。当我们让 AI 像人类一样"看见"文本时，我们可能正在打开通往更智能 AI 的大门。

这是一个值得深思的方向，也是 AI 领域正在发生的重要转变。