人類，1分；AI，0分。

上個(gè)月，來自約克大學(xué)和多倫多大學(xué)的兩名研究人員合作發(fā)表了一篇論文：The Elephant in the Room，在學(xué)界引起巨大反響。通過實(shí)驗(yàn)，他們發(fā)現(xiàn)現(xiàn)有人工智能系統(tǒng)還存在巨大缺陷，它們在“看圖識物”這類視覺任務(wù)上的表現(xiàn)甚至還比不上人類幼兒。

看罷這篇論文，加里·馬庫斯表達(dá)了對研究人員的贊許：“這是一篇聰明而重要的論文，它提醒我們所謂的‘深度學(xué)習(xí)’還沒有那么‘深刻’。”他是紐約大學(xué)的認(rèn)知心理學(xué)教授，也是優(yōu)步（Uber）人工智能實(shí)驗(yàn)室的負(fù)責(zé)人。

這項(xiàng)成果出現(xiàn)在計(jì)算機(jī)視覺領(lǐng)域，論文設(shè)計(jì)的任務(wù)很常規(guī)：訓(xùn)練一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)，讓它學(xué)會檢測和分類圖像中的對象。隨著自動(dòng)駕駛汽車離真正落地越來越近，學(xué)界對機(jī)器的視覺處理技術(shù)一直寄予厚望。為了保障安全，計(jì)算機(jī)必須能從一幅街景圖中準(zhǔn)確分辨哪個(gè)是鳥，哪個(gè)是自行車，即便達(dá)不到超人水平，它們至少也應(yīng)該和被替代的人眼一樣好用。

但是，這個(gè)任務(wù)并不簡單，它突出了人類視覺的復(fù)雜性——以及構(gòu)建模仿系統(tǒng)的高難度。在這項(xiàng)研究中，研究人員首先展示了一個(gè)能檢測、識別客廳場景下物品的計(jì)算機(jī)視覺系統(tǒng)，它的性能很不錯(cuò)，能發(fā)現(xiàn)客廳里有一把椅子、一個(gè)人和書架上的書。之后，他們在同一幅圖中加入了一個(gè)異常物體——一只大象，這時(shí)系統(tǒng)卻“指鹿為馬”了，它開始把椅子稱為沙發(fā)，把大象稱為椅子，還忽視了之前能“看”到的其他物品。

對此，論文作者之一Amir Rosenfeld認(rèn)為：“這些奇怪現(xiàn)象的出現(xiàn)，表明了目前的物體檢測系統(tǒng)是多么脆弱。”他們沒能在論文中解釋為什么會出現(xiàn)這種脆弱，但提出了一個(gè)破有見地的猜想：

這和人類具備，而AI沒有的一項(xiàng)能力有關(guān)——人類在看圖識物時(shí)能理解圖像中是否存在令人困惑的東西，從而讓自己去看第二眼。

房間里的大象

人類視覺和機(jī)器視覺很不一樣。

當(dāng)我們睜開雙眼時(shí)，眼球開始收集大量視覺信息，并把它們輸送給大腦快速處理，這時(shí)我們知道天是藍(lán)的，草是綠的，萬物在不斷生長。

相比之下，機(jī)器在生成“視覺”上更費(fèi)力。它們看待事物的方式類似用盲文閱讀，其中圖像的像素就是“文字”，通過在像素上運(yùn)行各類算法，機(jī)器最終能生成關(guān)于目標(biāo)物體的越來越復(fù)雜的表達(dá)形式。運(yùn)行這一復(fù)雜過程的系統(tǒng)是神經(jīng)網(wǎng)絡(luò)，它由許多“層”構(gòu)成。

輸入一幅圖像后，神經(jīng)網(wǎng)絡(luò)會逐層提取圖像中的細(xì)節(jié)，比如各個(gè)像素的顏色和亮度，層數(shù)越深，它提取到的特征就越抽象。在過程結(jié)束時(shí)，它會對根據(jù)這些特征對其正在觀察的內(nèi)容輸出最佳預(yù)測。

這個(gè)過程意味著相比人類，神經(jīng)網(wǎng)絡(luò)能把握更多人眼難辨的細(xì)節(jié)。事實(shí)上，現(xiàn)在基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)已經(jīng)在許多視覺處理任務(wù)上超越人類，比如依據(jù)品種對狗進(jìn)行分類。這些成功應(yīng)用提高了人們對技術(shù)的期待，研究人員也開始著手研究，看計(jì)算機(jī)視覺系統(tǒng)是否能幫助汽車快速通過擁擠的街道。

但是，這項(xiàng)技術(shù)的成功也激勵(lì)了一批人去探索它的脆弱性，比如近幾年非常流行的“對抗樣本”。通過在原圖上做一些肉眼幾乎看不到的擾動(dòng)，新圖像就能欺騙人工智能系統(tǒng)，讓它把“虎斑貓”分類成“鱷梨醬”，把3D打印的“烏龜”分類為“步槍”。這些研究不是杞人憂天，試想一下，如果有人惡意在道路標(biāo)志上添加了這種擾動(dòng)，致使自動(dòng)駕駛汽車誤讀、漏讀路標(biāo)，那車上乘客的生命安全該如何保障？

論文中的研究具有相同的精神。研究人員向機(jī)器展示了一個(gè)普通的客廳生活場景：一名男子正坐在破舊椅子邊緣，前傾身體，聚精會神地玩著游戲。如下圖所示，在“思考”片刻后，神經(jīng)網(wǎng)絡(luò)正確檢測到了一系列物體：椅子、手提包、杯子、筆記本電腦、人、書籍、電視機(jī)、瓶子、時(shí)鐘。

但是，當(dāng)他們在場景中引入了一些不協(xié)調(diào)的東西——一只大象后，神經(jīng)網(wǎng)絡(luò)就被新加入的像素迷惑了。如下圖所示，在幾次試驗(yàn)中，神經(jīng)網(wǎng)絡(luò)開始把大象識別為椅子，把椅子識別為沙發(fā)，它也忽略了靠近大象一側(cè)的一排書。即便是離大象較遠(yuǎn)的物體，系統(tǒng)也存在錯(cuò)漏情況。

這個(gè)發(fā)現(xiàn)之所以令學(xué)界震驚，是因?yàn)閷?shí)驗(yàn)展示的是現(xiàn)在最基礎(chǔ)、最通行的物體檢測技術(shù)，雖然客廳內(nèi)突然出現(xiàn)一頭大象并不現(xiàn)實(shí)，但公路上出現(xiàn)一只火雞確實(shí)可能的。現(xiàn)實(shí)道路上會發(fā)生很多意料之外的事，根據(jù)論文結(jié)果，我們有理由懷疑，自動(dòng)駕駛汽車會因?yàn)槁愤呁蝗怀霈F(xiàn)的一只火雞，而無法檢測到車前的行人。

正如羅恩菲爾德說的：“如果房間里真的有一頭大象，那你肯定會注意到它，但這個(gè)系統(tǒng)卻甚至沒能檢測到它的存在。”

萬事皆有因果

當(dāng)人類看到意想不到的東西時(shí)，我們會先愣一下，然后才恍然大悟。這是一個(gè)具有真實(shí)認(rèn)知意義的常見現(xiàn)象——它恰好揭示了為什么神經(jīng)網(wǎng)絡(luò)無法處理“怪異”場景。

現(xiàn)如今，最先進(jìn)的物體檢測神經(jīng)網(wǎng)絡(luò)還是以“前饋”的方式工作，這意味著信息流經(jīng)神經(jīng)網(wǎng)絡(luò)時(shí)是單向的，從輸入細(xì)粒度像素開始，到檢測曲線、檢測形狀、檢測場景，再到最后輸出最佳預(yù)測。為了確保預(yù)測的準(zhǔn)確性，它必須在整個(gè)過程中不斷收集“有用”信息，但這種單向性也意味著如果早期信息存在某種錯(cuò)誤，那這些錯(cuò)誤就會污染預(yù)測結(jié)果。

論文作者之一Tsotsos表示：“從神經(jīng)網(wǎng)絡(luò)頂部開始，我們確實(shí)可以探索和結(jié)果相關(guān)的一切內(nèi)容，但我們也有可能讓每個(gè)位置的每個(gè)特征都對每一個(gè)可能的輸出作出干擾。”

舉一個(gè)大家都理解的例子。假設(shè)圖中有一個(gè)圓和一個(gè)正方形，它們顏色各異，一個(gè)是紅的，一個(gè)是藍(lán)的。現(xiàn)在要求你在短時(shí)間內(nèi)觀察圖片，并迅速答出正方形是什么顏色的。如果注意力夠集中，我們可能一瞥就能給出答案；如果有些頭昏腦脹，我們可能看了一眼后還會有點(diǎn)迷惑，然后自然而然地會去重新看一遍。而且當(dāng)我們看第二遍時(shí)，注意力是高度集中在觀察正方形顏色上的。

簡而言之，人類的視覺系統(tǒng)如果沒有獲得想要的答案，它會回頭看看自己在哪里犯了錯(cuò)。而這個(gè)過程可以用1990年《Behavioral and Brain Sciences》一篇論文中提到的概念——選擇性調(diào)整模型（ST）來解釋。如上圖所示，那篇論文假設(shè)視覺處理架構(gòu)在結(jié)構(gòu)上是金字塔形的，該網(wǎng)絡(luò)內(nèi)的節(jié)點(diǎn)接收前饋和反饋連接。當(dāng)刺激輸入視覺系統(tǒng)時(shí)，首先它會以前饋的方式激活與其連接的金字塔內(nèi)的所有節(jié)點(diǎn)；之后，輸出的結(jié)果再以反饋的方式重新回到之前的節(jié)點(diǎn)中，激活倒置子金字塔。

這個(gè)模型的優(yōu)勢在于人類能依靠前饋和反饋，選擇感興趣的時(shí)空區(qū)域，選擇與當(dāng)前任務(wù)相關(guān)的事物并選擇最佳視點(diǎn)，同時(shí)，我們也能通過修剪不相關(guān)的內(nèi)容來限制任務(wù)相關(guān)的搜索空間，只考慮之前有過提示信息的位置，用位置/特征信息抑制感受野中的干擾，更簡單、高效的獲取最佳結(jié)果。

而大多數(shù)神經(jīng)網(wǎng)絡(luò)缺乏這種反饋能力，這也是科研人員一直無法有所突破的研究難點(diǎn)。現(xiàn)在使用前饋網(wǎng)絡(luò)的一個(gè)優(yōu)點(diǎn)是容易訓(xùn)練——只需讓輸入通過一個(gè)6層神經(jīng)網(wǎng)絡(luò)，但是，如果我們希望未來機(jī)器也能“先愣一下，然后才恍然大悟”，它們就必須理解什么時(shí)候該回頭看看，什么時(shí)候該簡單前饋。

人腦可以在這些過程之間無縫切換，但神經(jīng)網(wǎng)絡(luò)還需要一個(gè)新的理論框架才能做同樣的事情。

就在本月，谷歌上線了一個(gè)對抗樣本挑戰(zhàn)Unrestricted Adversarial Examples Challenge，他們向社區(qū)征集參賽鳥/自行車分類器，要求參賽的“對抗者”可以在輸入有擾動(dòng)的圖像后，依然準(zhǔn)確分類鳥和自行車；而“攻擊者”的目標(biāo)是生成一張包含鳥的圖像，讓“對抗者”分類器把它分類成自行車。這離構(gòu)建選擇性調(diào)整模型還有不小距離，但這是通向解決問題的第一步——也是不可或缺的一步。

本文來源：Quanta Magazine