當我們使用“下意識”時，人類與AI無異

　　在今天這個人人都有可能被愚弄的日子，不如我們來換換戲耍的對象，看看機器有沒有可能被愚弄欺騙呢?

　　在人工智能五十年的研發(fā)過程中，我們一直在不斷嘗試著讓機器理解人對于世界的認知方式。不管是一直沒有實現(xiàn)較大突破的類腦計算，還是模仿人類感知外界機制的人工神經(jīng)網(wǎng)絡(luò)，本質(zhì)上都是對人類行為方式的多種模仿。

　　當然我們也知道，這些模仿雖然在應(yīng)用上取得突破，但本質(zhì)上來看與人類的認知方式還是大相徑庭的。

　　就拿視覺來說，人類對于萬事萬物的認知來自于綜合的感知。以前一陣社交媒體上瘋傳的《神奇寶貝》大電影來說，人們見到 3D 版皮卡丘非常驚訝——皮卡丘竟然是有毛的?

　　其實這就體現(xiàn)了人類非常有趣的一點，建立在綜合知識基礎(chǔ)之上，人類的五感是相通的，因此可以從有限的信息里進行關(guān)聯(lián)挖掘，對陌生的事物建立起認知。

　　當我們驚訝皮卡丘身上茸毛時，我們立刻聯(lián)想起了那種毛茸茸的手感，認為它像一只大老鼠毫不可愛。

　　被隨意愚弄的機器思維

　　相比之下機器視覺的認知方式就相對孤立，建立分類器后組織層層的神經(jīng)網(wǎng)絡(luò)，對圖片進行分層處理，分別去辨認圖片中是不是一架橋，是不是一只猴子，是不是一棵大樹。最后得出的結(jié)論是，這張圖片 97% 的幾率是一架橋，2% 的幾率是一只猴子，1% 的幾率是一棵大樹。

　　對于人類來說，我們可能把猴子看成猩猩，原因是我們自己腦海中的底層知識不足，在認知中分不清猩猩和猴子的概念。但絕不會把橋、猴子、大樹這些風馬牛不相及的東西混淆一談。

　　但對于機器視覺就不一樣了，在機器的“眼中”，一切圖像都是像素點的排列組合。對于我們來說，猴子和大樹的區(qū)別是哺乳動物和區(qū)別。可對于機器來說，猴子和大樹之間只有一個數(shù)字分割線而已。

　　這就導(dǎo)致了機器視覺可以被“針對性”的愚弄，讓圖像識別輸出完全錯誤的結(jié)果，這就是我們常說的對抗生成樣本。

　　例如將一張圖片的像素點進行輕微的移動，在人眼中兩張圖片沒有任何區(qū)別，可在機器識別邏輯下，卻可能讓機器把猴子認成大樹。

　　又比如我們曾經(jīng)介紹過的“迷幻貼紙”——將某一種物體的分類特征高度濃縮成一個很小圖案，“粘貼”在其他圖片上。圖像識別對于結(jié)果的輸出，是基于幾項結(jié)果比率的高低。在貼上貼紙之前，圖像識別可能明確的分析出圖片有 98% 幾率的是一只猴子。但粘貼上高度濃縮特征的貼紙之后，就能立刻改變圖像識別的結(jié)果。

　　讓人類理解機器思維，或許比想象中更容易

　　如此看來，雖然機器一直在嘗試模仿人類的思維方式，但最終結(jié)果還是我們與機器之間彼此無法理解。

　　那么如果換個角度，讓人類去學(xué)習(xí)機器的思維方式呢?

　　近期約翰霍普金斯大學(xué)就做了這樣一項實驗。

　　為了弄明白為什么機器能看到人類“看不到”的變化，約翰霍普金斯大學(xué)推出了一系列實驗，讓人類志愿者在圖片中找到“機器犯的錯誤”。

　　例如給志愿者一張噪點圖或看似無意義的花紋，讓人類志愿者從中識別辨認圖片更像哪一種物體，并將 AI 給出的結(jié)果混淆其中。又比如給人類幾個斑駁的數(shù)字圖案，讓人類志愿者選擇 AI 可能將圖案誤認成了什么錯誤的數(shù)字。

　　令人震驚的是，在大部分實驗中，人類志愿者都憑借著直覺很快辨認出了 AI 的思維模式。以上圖為例，有 81% 的人類志愿者都準確的發(fā)覺了機器會犯下的錯誤。在一共 48 個實驗 1700 位志愿者中，有人們在 75% 的時間里都選擇和機器一樣的答案，而只有2% 的人從來沒有選擇過和機器一樣的答案。

　　這個驚人的實驗結(jié)果告訴我們，即使拋開人類基礎(chǔ)的認知邏輯，應(yīng)用下意識的第一反應(yīng)，也能夠和機器得出相同的結(jié)果。看來神經(jīng)網(wǎng)絡(luò)黑箱中對于人類經(jīng)驗提煉的深度，或許遠超我們想象。

　　對抗對抗性圖像：當人類開始理解機器

　　這個實驗的意義，當然不是為了告訴大家其實我們都是機器人，而是教會了我們?nèi)绾螒?yīng)對機器視覺可能犯下的錯誤。

　　在機器視覺認知模式的固有弊端下，很可能會形成很多可供鉆空子的漏洞。例如當自動駕駛識別公路上的交通標志時，一個小小貼紙就可能讓視覺系統(tǒng)產(chǎn)生錯覺，把交通標識識別成突然出現(xiàn)的行人來個急剎車。

　　為了解決這種可能出現(xiàn)的情況，通過理解機器思維并進行逆向拆解或許是個不錯的方法。

　　從實驗中我們可以看出，即使是毫無邏輯的圖案和紋理，人類也可以通過聯(lián)想能力對這些圖片進行更高級的認知和處理。實驗中人類和機器進入了同樣的情景，面對幾個分類選項做選擇題。而這種分類選擇或許就是讓機器陷入錯誤的關(guān)鍵。

　　另外一點則是，人類可以很清楚的識別出對抗性圖像。例如故意斑駁讓人難以辨認數(shù)字圖案，以及特征十分明顯的花哨貼紙。那么說明這些對抗性的圖案也擁有自己的“對抗性特征”。

　　雖然面對這種情況，最理想的方式是放棄卷積神經(jīng)網(wǎng)絡(luò)，應(yīng)用認知計算真正讓人工智能建立在一個更完整的世界觀上進行識別。但在認知計算獲得突破之前，我們或許可以尋找一些替代性的解決方案。

　　例如我們可以在一些安防、自動駕駛等等關(guān)鍵場合之中，特意生成對抗性樣本讓人類進行標注，在汽車、行人這些常規(guī)分類中多出一個“對抗樣本”分類，讓卷積神經(jīng)網(wǎng)絡(luò)可以識別出來這些搗亂的圖案。

　　對于那種動幾個像素點就可以改變機器認知的情況，很有可能出現(xiàn)在數(shù)據(jù)流通途中的壓縮產(chǎn)生的失誤，我們可以尋找使得機器認知結(jié)果改變的壓縮規(guī)律，反向從源頭組織失誤的發(fā)生。

　　在愚人節(jié)這個日子里，發(fā)現(xiàn)“人類與機器有著十分相近的思維模式”這一新聞，聽起來似乎像個笑話。但或許我們引以為傲的“人類意識”，根本并沒有那么復(fù)雜，最終會與機器思維以一種出乎意料的方式相遇。

　　但在相遇之前，我們還是應(yīng)該用人類思維與機器人思維之間的相似性，來解決現(xiàn)實生活中的問題。
　　（邯鄲網(wǎng)站建設(shè)）