相信很多人对人工智能技术已经比较熟悉,但可能有一些人并不知道人工智能可分为专用人工智能和通用人工智能,目前专用人工智能取得了不错的成就,而通用智能系统的研究与应用仍然任重道远。

被称为深度学习计算机网络的人工智能有多聪明,而这些机器又是如何模仿人类大脑的呢?加州大学洛杉矶分校认知心理学家团队在PLOS计算生物学杂志上如是说道,尽管近年来,人工智能技术突飞猛进,但其前景依旧任重而道远。

人工智能支持者表示其能够用来完成许多个人任务,甚至是传统认为必须由人类执行的工作。然而,在这项研究中的五个实验的结果表明,深度学习计算机网络是非常容易被欺骗的,并且计算机视觉识别物体的方法与人类视觉大相径庭。

“这些机器有严重的局限性,对此我们还不够了解,”加州大学洛杉矶分校的顶尖心理学教授,同时也是该研究报告的第一作者Philip Kellman表示,“对于人工智能,我们的态度是还需要再等等。”他表示,机器视觉的缺点显而易见。在第一个实验中,他们向最好的深度学习网络之一,VGG-19,展示了动物和物体的彩色图像。但实际上,图片经过了一些修改,例如,高尔夫球的表面和茶壶组合在一起,斑马条纹和骆驼组合,甚至把大象和红蓝相间的菱形袜子图案结合在一起。在40个对象中,VGG-19只选对了5个。

“欺骗这些人工智能系统简直小菜一碟,”研究报告的作者,加州大学洛杉矶分校心理学教授Lujing Lu如是说,“他们的学习机制远没有人类思维复杂。”

在第二个实验中,研究员向VGG-19展示了玻璃雕像的图像,并加入了第二个深度学习网络AlexNet作为对比。这两个人工智能都使用名为ImageNet的图像数据库,而VGG-19在此次实验中的表现更好。

但事实上,两个网络都表现不佳,无法识别玻璃雕像。VGG-19和AlexNet都没有正确地识别雕像,一个大象雕像被两个智能网络评为大象几率为0%。

在第三个实验中,研究人员向VGG-19和AlexNet展示了40幅黑色与白色图像,这三个实验旨在发现设备是否通过其形状识别物体。在实验中,这些系统在识别诸如蝴蝶,飞机和香蕉等物品方面做得很差。

在第四个实验中,研究人员向两个网络展示了40个纯黑色的图像。对于黑色图像,这两个神经网络做得更好,正确率大约有50%。例如,VGG-19认为算盘图案是算盘的概率为99.99%,大炮的概率为61%。相比之下,VGG-19和AlexNet各自认为黑色轮廓的白色锤子是锤子的可能性不到1%。

研究人员认为这些网络在黑色物体方面做得更好,因为这些物品缺乏Kellman认为人工智能不能识别的“内部轮廓”。

在第五个实验中,研究人员对图像进行了干扰,使其难以识别,但它们保留了一些物体的形状。研究人员选择了VGG-19最初识别的六张图像,并对它们进行了处理。人类都很难辨认这些图案,但VGG-19识别出了六张图片中的五张,并且第六张的答案非常接近正确答案。

作为第五个实验的一部分,除了VGG-19之外,研究人员还测试了加州大学洛杉矶分校的本科学生。他们向十名学生展示了黑色轮廓的物体,他们之中一些人无法辨认这些物体,还有些人只花了一秒就辨认出了这些物体。通过这些实验,研究人员得出了什么结论?

人类看到整个物体,而人工智能网络识别物品的一些细节。“这项研究表明,人工智能系统注重于细节而不考虑形状,”Kellman表示,“对于人类而言,整体形状是物体识别的主要形式,但是根据我们的研究结果来看,根据整体形状识别图像似乎根本不在这些深度学习系统中。”

目前已经出现了很多深度学习系统,而研究人员认为他们的研究结果广泛适用于这些系统。

(原标题:过度吹捧还是不明真相人工智能真的有那么聪明吗?)

信息化和软件服务网 - 助力数字中国建设 | 责编:夏丽