被稱為深度學習計算機網(wǎng)絡的人工智能有多聰明，而這些機器又是如何模仿人類大腦的呢?加州大學洛杉磯分校認知心理學家團隊在PLOS計算生物學雜志上如是說道，盡管近年來，人工智能技術突飛猛進，但其前景依舊任重而道遠。
人工智能支持者表示其能夠用來完成許多個人任務，甚至是傳統(tǒng)認為必須由人類執(zhí)行的工作。然而，在這項研究中的五個實驗的結果表明，深度學習計算機網(wǎng)絡是非常容易被欺騙的，并且計算機視覺識別物體的方法與人類視覺大相徑庭。
“這些機器有嚴重的局限性，對此我們還不夠了解，”加州大學洛杉磯分校的頂尖心理學教授，同時也是該研究報告的第一作者Philip Kellman表示， “對于人工智能，我們的態(tài)度是還需要再等等。”他表示，機器視覺的缺點顯而易見。在第一個實驗中，他們向最好的深度學習網(wǎng)絡之一，VGG-19，展示了動物和物體的彩色圖像。但實際上，圖片經(jīng)過了一些修改，例如，高爾夫球的表面和茶壺組合在一起，斑馬條紋和駱駝組合，甚至把大象和紅藍相間的菱形襪子圖案結合在一起。在40個對象中，VGG-19只選對了5個。
“欺騙這些人工智能系統(tǒng)簡直小菜一碟，”研究報告的作者，加州大學洛杉磯分校心理學教授Lujing Lu如是說， “他們的學習機制遠沒有人類思維復雜?！?/FONT>
人工智能
在第二個實驗中，研究員向VGG-19展示了玻璃雕像的圖像，并加入了第二個深度學習網(wǎng)絡AlexNet作為對比。這兩個人工智能都使用名為ImageNet的圖像數(shù)據(jù)庫，而VGG-19在此次實驗中的表現(xiàn)更好。
但事實上，兩個網(wǎng)絡都表現(xiàn)不佳，無法識別玻璃雕像。VGG-19和AlexNet都沒有正確地識別雕像，一個大象雕像被兩個智能網(wǎng)絡評為大象幾率為0%。
在第三個實驗中，研究人員向VGG-19和AlexNet展示了40幅黑色與白色圖像，這三個實驗旨在發(fā)現(xiàn)設備是否通過其形狀識別物體。在實驗中，這些系統(tǒng)在識別諸如蝴蝶，飛機和香蕉等物品方面做得很差。
在第四個實驗中，研究人員向兩個網(wǎng)絡展示了40個純黑色的圖像。對于黑色圖像，這兩個神經(jīng)網(wǎng)絡做得更好，正確率大約有50%。例如，VGG-19認為算盤圖案是算盤的概率為99.99%，大炮的概率為61%。相比之下，VGG-19和AlexNet各自認為黑色輪廓的白色錘子是錘子的可能性不到1%。
研究人員認為這些網(wǎng)絡在黑色物體方面做得更好，因為這些物品缺乏Kellman認為人工智能不能識別的“內(nèi)部輪廓” 。
在第五個實驗中，研究人員對圖像進行了干擾，使其難以識別，但它們保留了一些物體的形狀。研究人員選擇了VGG-19最初識別的六張圖像，并對它們進行了處理。人類都很難辨認這些圖案，但 VGG-19識別出了六張圖片中的五張，并且第六張的答案非常接近正確答案。
作為第五個實驗的一部分，除了VGG-19之外，研究人員還測試了加州大學洛杉磯分校的本科學生。他們向十名學生展示了黑色輪廓的物體，他們之中一些人無法辨認這些物體，還有些人只花了一秒就辨認出了這些物體。通過這些實驗，研究人員得出了什么結論?
人類看到整個物體，而人工智能網(wǎng)絡識別物品的一些細節(jié)。“這項研究表明，人工智能系統(tǒng)注重于細節(jié)而不考慮形狀，” Kellman表示，“對于人類而言，整體形狀是物體識別的主要形式，但是根據(jù)我們的研究結果來看，根據(jù)整體形狀識別圖像似乎根本不在這些深度學習系統(tǒng)中?！?/FONT>
目前已經(jīng)出現(xiàn)了很多深度學習系統(tǒng)，而研究人員認為他們的研究結果廣泛適用于這些系統(tǒng)。
（轉載）
