人是可以像电脑那样思考的,这不难做到

2019 年 4 月 27 日 科研圈

和人脑一样,电脑也会上当受骗。比如操控无人驾驶汽车的电脑会把随意的涂鸦当作火车、围栏甚至校车。我们一直以为,人类是无法弄明白这些涂鸦是怎么蒙蔽电脑的,但是约翰·霍普金斯大学的研究人员发现情况并非如此——其实大多数人可以做到。


图片来源:Stanford Online 


来源  约翰·霍普金斯大学

翻译  杨莉昕

审校/编辑  沛米



研究发现,电脑与人脑的差异可能并没有我们想象的那么大,人工智能的飞速发展使得人类与机器在视觉能力上的差距持续减小。这项研究在上个月发表在《自然-通讯》(Nature Communication)上

“多数情况下,这个领域的研究都是围绕着如何使电脑像人一样思考。我们的项目恰恰相反——我们追问的是人能否像电脑一样思考。”文章的通讯作者、约翰·霍普金斯大学心理学与脑科学学院助理教授 Chaz Firestone 说。

通常人类觉得轻而易举的事情对电脑而言很难。虽然人工智能系统在数学计算及记忆大量信息方面早已胜过人类;然而在过去的数十年中,人类在识别日常物品——比如狗、猫、桌子或椅子——方面依然保持了优势。不过最近,模仿大脑的“神经网络”已渐渐具备人类识别物品的能力,由此带来的技术进步可以支持无人驾驶汽车与人脸识别项目、以及帮助医生发现放射影像中的病变。

然而即便有了这些技术进步,仍然存在一个关键的盲点:有人可能故意制造不能被神经网络正确识别的图像。这些“有敌意的”或“开玩笑的”图像就成为一个大问题:不仅因为它们会被黑客利用来制造安全风险,而且它也说明了人类和机器识别图像的方式实际上非常不同。

在一些情况下,想让电脑把苹果认成汽车,只需重新设置一两个像素。在另一些情况下,机器会在并无实际意义的电视雪花图案中认出犰狳和面包圈。

“这些机器错认物品的方式似乎是人类永远不会采取的,”Firestone 说。“但令人惊讶的是,并没有人真的去验证这一点。那我们又怎么会知道,人无法看到电脑看到的事物呢?”

为了检验这一论断,Firestone 和 Zhenglong Zhou(论文的第一作者、约翰·霍普金斯大学认知科学专业)要求参加测试的人“像机器一样思考”。机器在命名图片时可用的词汇量相对很小。所以,Firestone 和 Zhou 向被试展示了几十张具有欺骗性的图片,这些图片已经骗过了电脑,同时他们给被试的标签选项也和给电脑的标签选项一样。他们还特别询问了被试,两个选项中哪个是机器的判断结果——其中一个是实际结果而另一个是随机答案。(图中的斑点是面包圈还是纸风车?)结果显示,被试与电脑的选择高度一致

在 75% 的情况下,被测试人都选择了与计算机同样的答案。更为显著的是,98% 的被测试人倾向于像计算机一样答题。

接下来,研究者提高了筹码,要求被测试人选出电脑的最优答案和次优猜测。(图中的斑点是面包圈还是蝴蝶脆饼?)人又一次证实了电脑的选择,91% 的被测试人猜中了机器的首选答案。

甚至当研究人员让被测试人从 48 个选项中答案时,或者当测试图片像电视雪花图案一样时,大部分被测试人也能选中机器的选项。在这些花样繁多的实验中,共有 1800 名对象接受了测试。

研究人员进行的多组实验及结果。
图片来源:
Zhenglong Zhou & Chaz Firestone

“我们发现如果你把一个人和电脑放入同样的情景中,人类就很容易得出与机器一样的结论,”Firestone 说。“对人工智能来说这仍然是一个问题,但是我们现在知道,电脑的识别方式并非是人类完全不会采用的。”

论文链接:https://www.nature.com/articles/s41467-019-08931-6


本文来自微信公众号“科研圈”。如需转载,请在“科研圈”后台回复“转载”,或通过公众号菜单与我们取得联系。原始文章请点击“阅读原文”。



阅读论文解读及推荐

点击👉关注领研网论文频道

▽ 精彩回顾 ▽

登录查看更多
0

相关内容

moboq.com 不一样的问答网, 首个基于地址的社会化搜索. 属于你的任意地点包打听. 希望有一天你可以通过它来了解全世界任何一个地点现在正在发生什么事.
Yoshua Bengio最新《深度学习》MLSS2020教程,附104页PPT及视频
专知会员服务
130+阅读 · 2020年7月10日
最新《深度多模态数据分析》综述论文,26页pdf
专知会员服务
298+阅读 · 2020年6月16日
深度神经网络实时物联网图像处理,241页pdf
专知会员服务
76+阅读 · 2020年3月15日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
100+阅读 · 2020年3月9日
最新《分布式机器学习》论文综述最新DML进展,33页pdf
专知会员服务
118+阅读 · 2019年12月26日
AI 最大的挑战:也许我们从根上就错了
InfoQ
5+阅读 · 2019年6月14日
深度学习局限何在?图网络的出现并非偶然
机器之心
6+阅读 · 2019年1月24日
鼠标终将消失,未来我们有哪些人机交互方式?
人工智能学家
5+阅读 · 2018年11月25日
机器学习各种熵:从入门到全面掌握
AI研习社
10+阅读 · 2018年3月22日
人工智能的阴暗面
计算机与网络安全
6+阅读 · 2018年1月8日
分析 | 盘点人工神经网络超过人类的6个领域
网易智能菌
5+阅读 · 2017年12月12日
Arxiv
6+阅读 · 2018年11月1日
Arxiv
4+阅读 · 2018年10月31日
Arxiv
11+阅读 · 2018年3月23日
Arxiv
27+阅读 · 2017年12月6日
VIP会员
相关资讯
AI 最大的挑战:也许我们从根上就错了
InfoQ
5+阅读 · 2019年6月14日
深度学习局限何在?图网络的出现并非偶然
机器之心
6+阅读 · 2019年1月24日
鼠标终将消失,未来我们有哪些人机交互方式?
人工智能学家
5+阅读 · 2018年11月25日
机器学习各种熵:从入门到全面掌握
AI研习社
10+阅读 · 2018年3月22日
人工智能的阴暗面
计算机与网络安全
6+阅读 · 2018年1月8日
分析 | 盘点人工神经网络超过人类的6个领域
网易智能菌
5+阅读 · 2017年12月12日
Top
微信扫码咨询专知VIP会员