如果你能識別這些圖像內容，那你還是比 AI 聰明一些的

人工智慧還有很長的路要走。

它需要明白在樹榦上爬的動物不一定是松鼠，也可能是貓咪；尖頭長條的物體也不一定是燈塔，有可能是風鈴；在鮮艷物體上的小生物不一定是蜜蜂，也可能是蝸牛。

雖然人工智慧在飛速的進步之中，但它目前還並沒有我們想像的那麼強大。它也會犯錯，有些錯誤在我們看來甚至有些「低級」。

雖然這些圖像在我們眼裡都非常好辨別。但在 AI 的演算法中，蘑菇會被認成椒鹽卷餅，綠色的蜻蜓被認成了井蓋，呆萌的松鼠也被認成了比他們大數倍的海獅。

不只認圖出現了較大錯誤，並且想要好好「調教」AI，將它引導回正確的道路上也不容易。實驗中的案例證明了 AI 識別當前分類器有著深層缺陷，它們會過分依賴顏色、紋理和背景提示。同時，博士們發現提高魯棒性的流行訓練技術也收效甚微。

這個資料庫是 ImageNet 的一個子集，它由不斷欺騙人工智慧的圖像組成，包含了超過 1400 萬幅手工標記的圖像用於訓練 AI。如果你想讓 AI 在看到貓的時候就能辨認出這是貓，你只需要把它指向貓的類別，然後讓它去識別就可以了。

雖然故意讓 AI 犯錯似乎是一件無聊且瑣碎的事情，但這都是有意義的。AI 如果在實際運用中出現錯誤，那可能會造成無法彌補的嚴重後果。比如自動駕駛的汽車將行人誤認為紅綠燈，就可能會引發不幸的交通事故。

圖片來自：Fortune

互聯網也需要 AI 的識別功能幫忙鑒別圖像內容。Facebook 就曾披露它如何使用 AI 工具完成內容審核。Facebook 的自動化 AI 工具主要表現在裸體、暴力、恐怖內容、仇恨言論，垃圾郵件，虛假賬戶和自殺預防七個方面。

如果社交網路中裸露和暴力的圖片能成功被 AI 技術檢測，AI 就能為圖片中的敏感元素進行標記，進行更高效地處理和提示。而這些圖片如果交給人工進行審核，那不僅效率低，也會給審核人員帶來更多的工作量和精神壓力。

扎克伯格自己也說過「建立一個可以檢測乳頭的人工智慧系統，要比確定什麼是令人不適的語言要容易的多。」

AI 進行圖像識別就像在盲文上進行閱讀，圖像中的元素是一個個信息點，最終要通過信息點做出一個最為合理的猜測。這也像一個管道系統，不同的管道連接最終形成了系統。這種方法讓 AI 在特定的圖像視覺處理上能輕易地超過人類。比如說在動植物物種的識別上，它就比我們更為專業。

但部分的成功還不能讓人對 AI 圖像識別充滿信心，約克大學研究員 Amir Rosenfeld 就表示「有各種各樣奇怪的事情發生，告訴我們目前的物體檢測系統是多麼脆弱。」

這些「自然對抗性案例」的存在顯示了現有的 AI 還沒那麼智能，它們的「深度學習」也需要更長的時間、更多的訓練。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！