共计 1520 个字符，预计需要花费 4 分钟才能阅读完成。
作者 | James Vincent
来源 | 数据与算法之美
在视觉方面，AI 和人类的差距有多大？来自 UC Berkeley 等高校的研究人员创建了一个包含 7500 个“自然对抗实例”的数据集，在测试了许多机器视觉系统后，发现 AI 的准确率下降了 90%！在某些情况下，软件只能识别 2%-3% 的图像。这样的 AI 若用在自动驾驶汽车上，后果不敢想象！
近几年来，计算机视觉有了很大的改善，但仍然有可能犯严重的错误。犯错如此之多，以至于有一个研究领域致力于研究 AI 经常误认的图片，称为“对抗性图像”。可以把它们看作计算机的光学错觉，当你看到树上有一只猫时，人工智能看到了一只松鼠。
▲AI 把爬上树的猫误认为松鼠
研究这些图像是很有必要的。当我们把机器视觉系统放在 AI 安全摄像头和自动驾驶汽车等新技术的核心位置时，我们相信计算机和我们看到的世界是一样的。而对抗性图像证明并非如此。
对抗性图像利用机器学习系统中的弱点
但是，尽管这个领域的很多关注点都集中在那些专门设计用来愚弄 AI 的图片上（比如谷歌的算法把 3D 打印的乌龟误认为是一把枪），但这些迷惑性图像也会自然的出现。这类图像更令人担忧，因为它表明，即便不是我们特意制作的，视觉系统也会犯错。
▲谷歌 AI 误认为这只乌龟是枪
为了证明这一点，来自加州大学伯克利分校、华盛顿大学和芝加哥大学的一组研究人员创建了一个包含 7500 个“自然对抗实例”（natural adversarial examples）的数据集，他们在这些数据上测试了许多机器视觉系统，发现它们的 准确率下降了 90%，在某些情况下，软件只能识别 2%-3% 的图像。
下面就是一些“自然对抗实例”数据集的例子：
▲AI 眼中是“沉船”，其实是虫子爬在枯叶上
▲AI 眼中是“火炬”
▲AI 眼中是“瓢虫”
▲AI 眼中是“日晷”
▲AI 眼中是“棒球运动员”
▲AI 眼中是“人开卡丁车”
数据有望帮助培养更强大的视觉系统
在论文中，研究人员称这些数据有望帮助培养更强大的视觉系统。他们解释说，这些图像利用了“深层缺陷”，这些缺陷源于该软件“过度依赖颜色，纹理和背景线索”来识别它所看到的东西。
例如，在下面的图像中，AI 错误地将左侧的图片当作钉子，这可能是因为图片的木纹背景。在右边的图像中，它们只注意到蜂鸟饲养器，但却错过了没有真正的蜂鸟存在的事实。
下面的四张蜻蜓照片，AI 在颜色和纹理上进行分析后，从左到右依次会识别为臭鼬、香蕉、海狮和手套。我们从每张图片中都可以看出 AI 为什么会犯错误。
AI 系统会犯这些错误并不是新闻了。多年来，研究人员一直警告说，利用深度学习创建的视觉系统是“浅薄”和“脆弱”的，它们不会像人一样灵活地理解世界上的一些几乎相同的细微差别。
这些 AI 系统在成千上万的示例图像上进行了训练，但我们通常不知道图片中的哪些确切元素是 AI 用于做出判断的。
一些研究表明，考虑到整体形状和内容，算法不是从整体上看图像，而是专注于特定的纹理和细节。本次数据集中给出的结果似乎支持这种解释，例如，在明亮的表面上显示清晰阴影的图片，会被错误地标识为日晷。
AI 视觉系统真的没救了？
但这是否意味着这些机器视觉系统没得救了？完全不是。一般这些系统所犯的错误都是小错，比如将排水盖识别为沙井，将货车误认为豪华轿车等。
虽然研究人员说这些“自然对抗性的例子”会骗过各种各样的视觉系统，但这并不意味着可以骗过所有系统。许多机器视觉系统非常专业，比如用于识别医学扫描图像中的疾病的那些专门系统。虽然这些系统有着自己的缺点，可能无法理解这个世界和人类，但这并不影响它们发现并诊断癌症。
机器视觉系统有时可能会很快且有瑕疵，但通常都会产生结果。这样的研究暴露了机器成像研究中的盲点和空白，我们下一步的任务就是如何填补这些盲点了。
