人工智能无法通过儿童可轻松完成的“视力检测”

在一项新的研究中，计算机科学家发现，人工智能无法通过儿童可轻松完成的“视力检测”。

“这是一项聪明且重要的研究，它提醒我们所谓的‘深度学习’并非想象中的那么‘深’”，纽约大学神经科学家 Gary Marcus 表示。

在计算机视觉领域，人工智能系统会尝试识别和分类对象。他们可能会试图在街景中找到所有行人，或者只是将鸟与自行车区分开。要知道，这也是一项非常艰巨的任务，其背后的风险系数很高。随着计算机开始接管自动监控和自动驾驶等关键业务，我们会愈加希望它们的视觉处理能力与人眼一样好。

但这并不容易。这项研究任务突出了人类视觉的复杂性，以及构建模仿系统的挑战。期间，研究人员向计算机视觉系统展示了一幅客厅的场景，系统正确地识别了椅子、人和书架上的书。然后，研究人员在场景中引入了一个异常物体：一张大象的图像。接着，“恐怖”事件开始上演。

大象的存在导致系统忘记了自己。突然间，这个 AI 系统开始将椅子称为沙发，大象称为椅子，并完全忽略了它之前看到的其他物体。

“各种奇怪事件的发生，表明当前物体检测系统时多么得脆弱，”多伦多约克大学的研究员 Amir Rosenfeld 表示，他和他的同事 John Tsotsos 和 Richard Zemel 共同撰写了这项研究。

研究人员仍然想弄清楚为什么计算机视觉系统会如此脆弱。他们猜测 AI 缺乏人类那种从容处理海量信息的能力：当对某一场景产生困惑时，会再回过头重看一遍。

▌难以直面的“房中大象”

人类，只要睁大眼睛，大脑就会快速的收集、加工这些视觉信息。

相比之下，人工智能会非常费力地制造视觉印象，就好像它是用盲文阅读描述一样。不同的算法，人工智能产生了不同的表达效果。在此过程中，特定类型的 AI 系统被称为神经网络。它通过一系列“层”来传递图像。在每一层，图像细节如像素的颜色和亮度，被替换成了越来越抽象的描述。结束时，神经网络会对其正在观察的内容产生最佳猜测。

“通过获取前一层的输出，处理并将其传递到下一层，就像管道一样，都从一层移动到另一层，”Tsotsos 说。

在这个过程中，神经网络擅长特定视觉事物的判断，如将物体进行类别分配。这些成果激起了人们的期望，甚至期待它们可以很快应用在城市车辆的驾驶系统中。

这项新研究具有相同的精神。三位研究人员为神经网络提供了一个客厅场景：一个坐在破旧椅子边缘的男子在玩视频游戏时向前倾斜。看过这个场景之后，神经网络正确检测到了许多具有高可信度的物体：人、沙发、电视、椅子、书籍。如下（a）图。

在（a）图中，神经网络以高概率正确识别出了杂乱的起居室场景中的许多项目。（f）图中添加了一只大象的侧身像，系统便出现了问题。左下角的椅子变成了沙发，附近的杯子消失，大象被误以为是椅子。在其他情况下，系统忽略了在此前试验中正确检测到的物体。甚至将大象从图片中移除后，也会发生这些错误。

“如果房间里真的有一头大象，那么你可能会注意到它。”“该系统甚至没有检测到它的存在。” Rosenfeld 说道。

论文中研究人员总结道：

识别是不稳定的：物体可能偶尔无法被检测到，或者在环境不经意间快速改变后才能检测到。

被识别目标的标记并非一致：根据不同的位置，目标可能会被识别为不同的类别。

被识别目标引起了非局部影响：与该目标不重叠的对象可切换标记、边框，甚至完全消失。

这些结果是图像识别中的常见问题。通过用包含训练对象的图像替换另一个图像的子区域而获得，这称之为“目标移植”。以这种方式修改图像对识别具有非局部影响。细微的变化会影响目标检测工具的识别效果。

▌为什么就不能“反思”？

当人类看到意想不到的的东西时，会反复思考。这是一个具有真实认知意义的常见现象，而这恰恰解释了为什么当场景变得怪异时，神经网络就会崩溃。

如今用于物体检测的最佳神经网络主要以“前馈”的方式工作。这意味着信息穿过神经网络时只有一个方向。它们从细粒度像素的输入开始，然后移动到曲线、形状和场景，神经网络对每一步看到的物体做出最优预测。因此，当神经网络汇集它认为知道的所有内容并进行猜测时，早期错误的观察会最终影响整个预测的效果。

设想一下，如果是让人类看到一幅包含了圆形和正方形的图像，其中一个图形为蓝色，另一个为红色。可能一眼并不能足以看清二者的颜色。但关键的是，当人类第二次看时，就会将注意力集中在方块的颜色上。

“关于人类的视觉系统，‘我还没有正确的答案，所以我必须返回去看看在哪里犯了错误’，” Tsotsos 解释道。他通过一个叫做Selective Tuning 的理论（http://www.cse.yorku.ca/~tsotsos/Selective_Tuning/Selective_Tuning.html）来解释这个视觉认知特征的问题。

大多数神经网络缺乏这种反向能力。对于工程师们如何构建这种特质亦是困难。前馈神经网络的优势在于——通过相对简单的训练即可进行预测。

但如果神经网络要获得这种反复思考的能力。他们需要熟练掌握合适利用这种新能力，以及何时以前馈方式向前推进的能力。人脑可在这些不同的过程之间无缝切换，而神经网络需要一个新的理论框架才能做同样的事情。

一篇评论引发的讨论

其实，该项研究论文早于上月就已公开发表，但让大家得到关注的却是因为《量子杂志》专栏作者 Kevin Hartnett 的一篇评论 “ Machine Learning Confronts the Elephant in the Room” 所传递出的强烈观点。

对此，许多读者表达了自己的看法。

机器学习将会遭遇成长的痛苦……

这篇文章很有趣，但它没有说清楚该系统是否具有大象的概念（另外我认为严重裁剪像素化的大象不应算数。）

考虑到透视和照明，将豆袋称为沙发，然后是椅子，这就足够了。

所有与 AI 相关的“问题”似乎与它们的实际编码有关系。当 AI 有80%的的确定性时，人们倾向于认为这很好，而人类很少能达到这样的准确性：要么是 100% 确定（但有可能是错的），要么是 50% 的准确性甚至完全不清楚。

这就是人类会做的事情，记住物体X和Y的特征，虽然很难在特定的图像中分辨出来，但还是尽可能通过更清晰的图片核实真伪。

你可以进行简单的思考实验，看看人脑在分析图像时做了什么。首先，当我看一个场景时，我一定是对几何有所了解的。无论意义、文字、符号如何，我都可以追溯到事物的三维形状，这些是与文字无关的。

其次，我可以通过看到大象的外观模型，与“大象”这个词联系起来。我不需要颜色或细节就知道它是大象。事实上，仅凭颜色和细节，我还是很难识别出大象。

（假设我们基于大象的真实图片训练了一款神经网络）如果你将大象的白色雕塑（图片）拿给神经网络识别，那么它很可能不会输出“大象”这个词。但如果你给出一个大象的真实图片进行识别，那它可以正确识别大象。

由于大象的白色雕塑与实际图片之间的差异只是颜色等细节，这表明当训练深度学习网络识别大象时，训练的是细节（包括颜色、像素、甚至斑点），而不是三维模型……这种方式正好与人类认知相反。这是一种过度拟合的形式，单纯训练不足以帮助学习网络捕捉几何规律。我敢打赌，如果你用大象的特写照片用来训练网络，那么它在识别方面将做得更好。

我猜测：我们的思维具有特定的和遗传决定的内置几何识别算法，可以将 2D 图像转换为 3D 形状。虽然多数情况下我们专注于研究的机器学习是图像识别，但我相信大脑实际上是学习形状和几何识别的。

▌写在最后

本文开头我们引述了纽约大学神经科学家 Gary Marcus 的评价：“深度学习”并非我们想象中的那么“深”。想起此前海内外在内的不少学者专家也都曾表示，深度学习虽然引起了人工智能的新一股热潮，但深度学习并非万能，在它之外仍有很多的研究内容值得关注。