AI 識睇 Meme 笑話嗎？多模態幽默研究綜述
人類看 Meme 會笑，AI 看 Meme 只會見到一堆像素。一篇 7 月底發布的研究綜述系統梳理「多模態幽默理解」這個領域：為何 AI 理解 Meme、卡通與漫畫的笑點如此困難，以及目前學界如何一步步訓練 AI 由「認得圖」進化到「識笑」。幽默，可能是 AI 最後的高地之一。
重點一覽
- Meme、卡通、漫畫的幽默依賴非字面機制、共享文化知識與傳播意圖，AI 難以捉摸
- 綜述以「辨識、理解推理、生成」三層能力框架整理相關研究
- 研究趨勢由任務專屬融合模型，轉向多模態大模型加證據推理與受控生成
- 幽默生成被視為新興前沿，難度比理解更高
為何 AI 理解幽默這樣難？
多模態幽默（例如一張 Meme 配一句說明文字）的笑點往往不在字面：它依賴非字面機制、共享文化知識與傳播意圖。AI 可以準確描述圖片內容，但捕捉不到「為何好笑」，因為好笑與否取決於觀看者的背景知識與語境，而不是場景的字面描述。
三層能力框架
綜述以能力為中心，將領域分為三層：第一層是「辨識」，判斷一個內容是否幽默；第二層是「理解與推理」，解釋笑點所在；第三層是「生成」，由 AI 自己創作幽默內容。目前研究集中在頭兩層，幽默生成被視為新興的下游前沿，難度更高。
由融合模型到多模態大模型
研究路線圖顯示，領域正由任務專屬的融合模型，轉向多模態大模型（MLLM）方法：透過模態對齊、證據導向推理與受控生成處理幽默。綜述同時整理了相關基準測試、評估協議與建模範式，並點出主要挑戰。對 AI 發展而言，幽默理解是測試模型「常識」與「文化理解」的重要試金石，模型懂不懂笑，某程度上反映它有幾接近人類。
資料來源：arXiv — Computational Humor with Multimodal LLMs (2607.19011)
