为什么AI感知与人类感知无法直接比较？

研究人员们指出，人类视觉系统天然就在接受大量抽象视觉推理任务的训练。因此，直接比较对于只能在低数据样本量下进行学习的深度学习模型并不公平。所以，不能贸然给出人类与AI内部信息处理方式之间存在差异的结论。

研究人员们写道，“如果真的从零开始进行训练，人类视觉系统在这两项识别任务中，没准会与表现出ResNet-50类似的情况。”

衡量深度学习的间隙判别

间隙送别可以算是视觉系统当中最有趣的测试之一。以下图为例，大家能不能猜出完整的图像呈现的是什么？

毫无疑问，这是一只猫。从左上方的局部图来看，大家应该能够轻松预测出图像的内容。换言之，我们人类需要看到一定数量的整体形状与图案，才能识别出图像中的物体。而局部放大得越夸张，失去的特征也就越多，导致我们越难以区分图像中的内容。

▲根据图中所包含的特征，小猫图像中不同部分的局部放大图，会对人类的感知产生不同的影响。

深度学习系统的判断也以特征为基础，但具体方式却更加巧妙。神经网络有时候能够发现肉眼无法察觉的微小特征，而且即使把局部放得很大，这些特征仍然能够得到正确检测。

在最终实验当中，研究人员们试图通过逐渐放大图像，直到AI模型的精度开始显著下降，借此衡量深度神经网络的间隙判别。

这项实验表明，人类的图像间隙判别与深度神经网络之间存在很大差异。但研究人员们在其论文中指出，以往关于神经网络间隙判别的大多数测试，主要基于人类选择的局部图。这些局部的选择，往往有利于人类视觉系统。

在使用“机器选择”的局部图对深度学习模型进行测试时，研究人员们发现人类与AI的间隙判别表现基本一致。

▲间隙判别测试能够评估局部图对于AI判断准确率的具体影响。

研究人员们写道，“这些结果显示，只有在完全相同的基础之上进行人机比较测试，才能避免人为设计给结果造成的偏差。人与机器之间的所有条件、命令与程序都应尽可能接近，借此保证观察到的所有差异都源自决策策略——而非测试程序中的差异。”

缩小AI与人类智能之间的鸿沟

随着AI系统复杂程度的不断提升，我们也需要开发出越来越复杂的方法以进行AI测试。这一领域之前的研究表明，大部分用于衡量计算机视觉系统准确率的流行基准测试中存在一定误导性。德国研究人员们的工作，旨在更好地衡量人工智能表现，并准确量化AI与人类智能之间的真实差异。他们得出的结论，也将为未来的AI研究提供方向。

研究人员们总结道，“人与机器之间的比较性研究，往往受到人类自发解释思维这一强烈偏见的影响。只有选择适当的分析工具并进行广泛的交叉核查（例如网络架构的变化、实验程序的统一、概括性测试、对抗性示例以及受约束的网络测试等），我们才能对结果做出合理解释，并正视这种自发性偏见的存在。总而言之，在对人类与机器的感知能力进行比较时，必须注意不要向其中人为强加任何系统性的偏见。”

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!