这些错觉以清晰而明确的方式告诉我们：我们并非直接体验这个世界。
我们常常相信“眼见为实”，但知觉错觉告诉我们：事实并非如此。
我们的大脑并非直接复制世界，而是在构建一个基于经验与期望的“最佳猜测模型”。
今天，我们将通过 5 种经典的知觉错觉，来探索视觉的奥秘。
前三种是静态图像错觉，后两种则是动态错觉，我们将尝试用Manim来重现它们的动态效果。
1. 静态的欺骗
这三种错觉不需要动画，仅仅通过静态的排列和色彩对比，就能欺骗我们的大脑。
1.1. 彩纸屑错觉
这是David Novick创作的Munker错觉的变体。
下面图中所有的圆圈颜色完全相同，唯一不同的是围绕它们的线条颜色。
这个错觉生动地证明：我们并非直接感知物体在现实中的颜色。相反，知觉系统会根据物体周围的环境，做出一个有根据的"猜测"。
1.2. 米饭波浪错觉
这看起来像是一个动态GIF，但其实不是。所有的"运动"都发生在你的大脑中。
它的作者：Akiyoshi Kitaoka。
黄色斑块的阴影和排列顺序会触发大脑的运动感知区域，从而在一个实际静止的图像中产生运动的知觉。有趣的是，大约5%的人似乎对这个错觉"免疫"。
1.3. 倾斜道路错觉
这看起来像是从不同角度拍摄的同一道路的两张照片。但实际上，这只是同一张照片复制了两次。
显然，视觉系统将这张图像当作两张独立道路的照片来处理。在二维图像中，两条道路的轮廓是相互平行的。
如果现实世界中的两条道路在图像中呈现这种效果，那么它们在现实中必须是强烈地向外倾斜的。因此，视觉系统便做出了这样的推断。
2. 动态的魔法
接下来，我们使用 Manim 来制作后两种动态错觉。
2.1. 动态艾宾浩斯错觉
图中的橙色圆圈实际上并没有改变大小。
与颜色和明度一样，我们并非直接感知物体的大小。知觉系统会根据感官数据中的线索（包括附近其他物体的相对大小）来推断物体的尺寸。
Manim代码：
from manim import *
config.background_color = WHITE
class DynamicEbbinghaus(Scene):
def construct(self):
# 中心圆圈（实际大小不变）
center_circle = Circle(radius=0.3, color=ORANGE, fill_opacity=1)
center_circle.set_stroke(width=0)
center_circle.move_to(LEFT * 2 + UP * 2)
center_circle2 = center_circle.copy()
center_circle2.move_to(ORIGIN)
# 周围圆圈
surrounding_circles = VGroup()
surrounding_circles2 = VGroup()
num_circles = 6
radius = 0.1
distance = 0.4
radius2 = 0.7
distance2 = 1.5
for i in range(num_circles):
angle = i * (360 / num_circles) * DEGREES
circle = Circle(radius=radius, color=PURE_BLUE, fill_opacity=1)
circle.set_stroke(width=0)
circle.move_to(
center_circle.get_center()
+ distance * np.array([np.cos(angle), np.sin(angle), 0])
)
surrounding_circles.add(circle)
circle2 = Circle(radius=radius2, color=PURE_BLUE, fill_opacity=1)
circle2.set_stroke(width=0)
circle2.move_to(
center_circle2.get_center()
+ distance2 * np.array([np.cos(angle), np.sin(angle), 0])
)
surrounding_circles2.add(circle2)
self.add(center_circle, surrounding_circles)
self.wait(0.5)
a_group = VGroup(center_circle, surrounding_circles)
a_group2 = a_group.copy()
b_group = VGroup(center_circle2, surrounding_circles2)
# 正常移动
self.play(a_group.animate.move_to(b_group.get_center()), run_time=2)
self.play(a_group.animate.move_to(a_group2.get_center()), run_time=2)
self.wait(1)
# 放大蓝色小圆
# 动画：周围圆圈变大，使中心圆圈看起来变小
self.play(
ReplacementTransform(a_group, b_group),
run_time=2,
)
# 动画：周围圆圈变小，使中心圆圈看起来变大
self.play(
ReplacementTransform(b_group, a_group2),
run_time=2,
)
self.wait(1)
2.2. 动态穆勒-莱尔错觉
这是我见过最棒的错觉之一。蓝色和红色的线条长度完全相同；没有任何线条在移动或改变大小，它们都处于同一水平线上。只有两端的箭头在移动。
这个错觉是经典"穆勒-莱尔错觉"的新变体。关于它的原理有许多理论，但没有人能100%确定。甚至还存在争议：这种错觉是适用于全人类，还是某种特定文化下的现象？
Manim代码：
from manim import *
import numpy as np
config.background_color = WHITE
class DynamicMullerLyer(Scene):
def construct(self):
self.vertexes = []
count = 11
# 所有线都一样长，蓝色和红色的线段也是一样长。
lines = self.create_lines(count)
self.play(Create(lines))
self.wait(1)
self.clear()
wings = self.create_wings(self.vertexes)
self.add(*wings)
self.rotate_wings(
wings,
self.vertexes,
list(np.random.uniform(0.5, 1.5, len(wings))),
repeat=4,
)
self.wait(1)
# 放在一起
self.add(lines)
self.rotate_wings(
wings,
self.vertexes,
list(np.random.uniform(0.5, 1.5, len(wings))),
repeat=8,
)
self.wait(0.5)
def create_lines(self, count=11, interval=0.4) -> VGroup:
l_group = VGroup()
for i in range(count // 2 + 1):
vertical_l_group = VGroup()
vertical_l_group.add(
Line(UP * 2.5, UP * 1.5, stroke_width=2, color=PURE_BLUE)
)
vertical_l_group.add(
Line(UP * 1.5, UP * 0.5, stroke_width=2, color=PURE_RED)
)
vertical_l_group.add(
Line(UP * 0.5, DOWN * 0.5, stroke_width=2, color=PURE_BLUE)
)
vertical_l_group.add(
Line(DOWN * 0.5, DOWN * 1.5, stroke_width=2, color=PURE_RED)
)
vertical_l_group.add(
Line(DOWN * 1.5, DOWN * 2.5, stroke_width=2, color=PURE_BLUE)
)
vertical_l_group.shift(LEFT * i * interval)
self.vertexes.append(UP * 2.5 + LEFT * i * interval)
self.vertexes.append(UP * 1.5 + LEFT * i * interval)
self.vertexes.append(UP * 0.5 + LEFT * i * interval)
self.vertexes.append(DOWN * 0.5 + LEFT * i * interval)
self.vertexes.append(DOWN * 1.5 + LEFT * i * interval)
self.vertexes.append(DOWN * 2.5 + LEFT * i * interval)
l_group.add(vertical_l_group)
for i in range(1, count // 2 + 1):
vertical_l_group = VGroup()
vertical_l_group.add(
Line(UP * 2.5, UP * 1.5, stroke_width=2, color=PURE_BLUE)
)
vertical_l_group.add(
Line(UP * 1.5, UP * 0.5, stroke_width=2, color=PURE_RED)
)
vertical_l_group.add(
Line(UP * 0.5, DOWN * 0.5, stroke_width=2, color=PURE_BLUE)
)
vertical_l_group.add(
Line(DOWN * 0.5, DOWN * 1.5, stroke_width=2, color=PURE_RED)
)
vertical_l_group.add(
Line(DOWN * 1.5, DOWN * 2.5, stroke_width=2, color=PURE_BLUE)
)
vertical_l_group.shift(RIGHT * i * interval)
self.vertexes.append(UP * 2.5 + RIGHT * i * interval)
self.vertexes.append(UP * 1.5 + RIGHT * i * interval)
self.vertexes.append(UP * 0.5 + RIGHT * i * interval)
self.vertexes.append(DOWN * 0.5 + RIGHT * i * interval)
self.vertexes.append(DOWN * 1.5 + RIGHT * i * interval)
self.vertexes.append(DOWN * 2.5 + RIGHT * i * interval)
l_group.add(vertical_l_group)
return l_group
def create_wings(self, vertexes, wing_radio=0.1):
groups = []
# 创建两条线，呈V字形
for vertex in vertexes:
left_line = Line(
vertex, vertex + (UP + LEFT) * wing_radio, stroke_width=2, color=BLACK
)
right_line = Line(
vertex, vertex + (UP + RIGHT) * wing_radio, stroke_width=2, color=BLACK
)
groups.append(VGroup(left_line, right_line))
return groups
def rotate_wings(self, wings, vertexes, run_times, repeat=4):
anims = []
for i in range(len(wings)):
ag1 = AnimationGroup(
Rotate(
wings[i][0], angle=90 * DEGREES, about_point=vertexes[i]
).set_run_time(run_times[i]),
Rotate(
wings[i][1], angle=-90 * DEGREES, about_point=vertexes[i]
).set_run_time(run_times[i]),
)
ag2 = AnimationGroup(
Rotate(
wings[i][0], angle=-90 * DEGREES, about_point=vertexes[i]
).set_run_time(run_times[i]),
Rotate(
wings[i][1], angle=90 * DEGREES, about_point=vertexes[i]
).set_run_time(run_times[i]),
)
anim = Succession([ag1, ag2] * repeat)
anims.append(anim)
self.play(
AnimationGroup(*anims),
run_time=max(run_times) * repeat,
)
3. 总结
这些错觉共同揭示了一个深刻的事实——我们的知觉并非对世界的“直接复制”，而是大脑基于有限感官信息、结合经验与期望所构建的“最佳猜测模型”。
通过 Manim 重现这些错觉，我们不仅理解了视觉心理学，也掌握了如何用代码精确控制视觉元素来传达信息。
理解这一点，不仅能让我们更谦逊地看待自己的认知，也能帮助我们在日常生活中更理性地判断所见所闻。
