人和大模型的最大差距是什么？

用你的目光扫视下面这张图：

有没有看到闪烁的白点？

这是张静态图。根本没东西在闪，你看到的闪烁完全是你脑补出来的。

这张图有个名字，叫“赫尔曼网格幻象”（Hermann grid illusion），它在1870年就被提出来了。

这种视觉效果，你无论怎么跟人描述，别人都感受不到。但你拿出图片让人一看，立马就能明白。

你看，这种信息在现实中不存在，由人脑凭空创造出来，并且无法用语言传递，只能通过具身感受到。

我很好奇，大模型（也许我们可以放宽一点限制，不光语言模型，计算机视觉方面的模型也可）能否学会这项能力？

当然，如果有人做到了，或者对此有自己的观点，欢迎提醒我。