在今天這個(gè)人人都有可能被愚弄的日子，不如我們來(lái)?yè)Q換戲耍的對象，看看機器有沒(méi)有可能被愚弄欺騙呢?

　　在人工智能五十年的研發(fā)過(guò)程中，我們一直在不斷嘗試著(zhù)讓機器理解人對于世界的認知方式。不管是一直沒(méi)有實(shí)現較大突破的類(lèi)腦計算，還是模仿人類(lèi)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(lèi)行為方式的多種模仿。

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

　　就拿視覺(jué)來(lái)說(shuō)，人類(lèi)對于萬(wàn)事萬(wàn)物的認知來(lái)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(lái)說(shuō)，人們見(jiàn)到 3D 版皮卡丘非常驚訝——皮卡丘竟然是有毛的?

　　其實(shí)這就體現了人類(lèi)非常有趣的一點(diǎn)，建立在綜合知識基礎之上，人類(lèi)的五感是相通的，因此可以從有限的信息里進(jìn)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(shí)，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(ài)。

　　被隨意愚弄的機器思維

　　相比之下機器視覺(jué)的認知方式就相對孤立，建立分類(lèi)器后組織層層的神經(jīng)網(wǎng)絡(luò )，對圖片進(jìn)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(shù)。最后得出的結論是，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(shù)。

　　對于人類(lèi)來(lái)說(shuō)，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(huì )把橋、猴子、大樹(shù)這些風(fēng)馬牛不相及的東西混淆一談。

　　但對于機器視覺(jué)就不一樣了，在機器的“眼中”，一切圖像都是像素點(diǎn)的排列組合。對于我們來(lái)說(shuō)，猴子和大樹(shù)的區別是哺乳動(dòng)物和區別?？蓪τ跈C器來(lái)說(shuō)，猴子和大樹(shù)之間只有一個(gè)數字分割線(xiàn)而已。

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

　　例如將一張圖片的像素點(diǎn)進(jìn)行輕微的移動(dòng)，在人眼中兩張圖片沒(méi)有任何區別，可在機器識別邏輯下，卻可能讓機器把猴子認成大樹(shù)。

　　又比如我們曾經(jīng)介紹過(guò)的“迷幻貼紙”——將某一種物體的分類(lèi)特征高度濃縮成一個(gè)很小圖案，“粘貼”在其他圖片上。圖像識別對于結果的輸出，是基于幾項結果比率的高低。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果。

　　讓人類(lèi)理解機器思維，或許比想象中更容易

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

　　那么如果換個(gè)角度，讓人類(lèi)去學(xué)習機器的思維方式呢?

　　近期約翰霍普金斯大學(xué)就做了這樣一項實(shí)驗。

　　為了弄明白為什么機器能看到人類(lèi)“看不到”的變化，約翰霍普金斯大學(xué)推出了一系列實(shí)驗，讓人類(lèi)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(diǎn)圖或看似無(wú)意義的花紋，讓人類(lèi)志愿者從中識別辨認圖片更像哪一種物體，并將 AI 給出的結果混淆其中。又比如給人類(lèi)幾個(gè)斑駁的數字圖案，讓人類(lèi)志愿者選擇 AI 可能將圖案誤認成了什么錯誤的數字。

　　令人震驚的是，在大部分實(shí)驗中，人類(lèi)志愿者都憑借著(zhù)直覺(jué)很快辨認出了 AI 的思維模式。以上圖為例，有 81% 的人類(lèi)志愿者都準確的發(fā)覺(jué)了機器會(huì )犯下的錯誤。在一共 48 個(gè)實(shí)驗 1700 位志愿者中，有人們在 75% 的時(shí)間里都選擇和機器一樣的答案，而只有2% 的人從來(lái)沒(méi)有選擇過(guò)和機器一樣的答案。

　　這個(gè)驚人的實(shí)驗結果告訴我們，即使拋開(kāi)人類(lèi)基礎的認知邏輯，應用下意識的第一反應，也能夠和機器得出相同的結果?？磥?lái)神經(jīng)網(wǎng)絡(luò )黑箱中對于人類(lèi)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(lèi)開(kāi)始理解機器

　　這個(gè)實(shí)驗的意義，當然不是為了告訴大家其實(shí)我們都是機器人，而是教會(huì )了我們如何應對機器視覺(jué)可能犯下的錯誤。

　　在機器視覺(jué)認知模式的固有弊端下，很可能會(huì )形成很多可供鉆空子的漏洞。例如當自動(dòng)駕駛識別公路上的交通標志時(shí)，一個(gè)小小貼紙就可能讓視覺(jué)系統產(chǎn)生錯覺(jué)，把交通標識識別成突然出現的行人來(lái)個(gè)急剎車(chē)。

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

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

　　另外一點(diǎn)則是，人類(lèi)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字圖案，以及特征十分明顯的花哨貼紙。那么說(shuō)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 )，應用認知計算真正讓人工智能建立在一個(gè)更完整的世界觀(guān)上進(jìn)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(dòng)駕駛等等關(guān)鍵場(chǎng)合之中，特意生成對抗性樣本讓人類(lèi)進(jìn)行標注，在汽車(chē)、行人這些常規分類(lèi)中多出一個(gè)“對抗樣本”分類(lèi)，讓卷積神經(jīng)網(wǎng)絡(luò )可以識別出來(lái)這些搗亂的圖案。

　　對于那種動(dòng)幾個(gè)像素點(diǎn)就可以改變機器認知的情況，很有可能出現在數據流通途中的壓縮產(chǎn)生的失誤，我們可以尋找使得機器認知結果改變的壓縮規律，反向從源頭組織失誤的發(fā)生。

　　在愚人節這個(gè)日子里，發(fā)現“人類(lèi)與機器有著(zhù)十分相近的思維模式”這一新聞，聽(tīng)起來(lái)似乎像個(gè)笑話(huà)。但或許我們引以為傲的“人類(lèi)意識”，根本并沒(méi)有那么復雜，最終會(huì )與機器思維以一種出乎意料的方式相遇。

　　但在相遇之前，我們還是應該用人類(lèi)思維與機器人思維之間的相似性，來(lái)解決現實(shí)生活中的問(wèn)題。
　?。?a href="http://m.lsbmaoyi.com">邯鄲網(wǎng)站建設）