儘管人工智能(AI)、機器學習和機器人技術帶來了諸多好處和便利，但人們仍擔心人工智能(AI)、機器學習和機器人技術等新時代技術將取代人類的工作崗位。然而，一些研究人員不同意技術將很快奪走人類工作的觀點。
美國加州大學洛杉磯分校(UCLA)的一些研究人員進行了各種各樣的實驗，證明了“深度學習”機器的嚴重侷限性。
人工智能還有很長的路要走
“被稱為深度學習計算機網絡的人工智能形式有多智能?這些機器在多大程度上模仿了人類大腦?”加州大學洛杉磯分校的一組認知心理學家在《公共科學圖書館計算生物學》雜誌上報告說。
支持者對利用這些網絡來完成許多傳統上由人來完成的個人任務，甚至是工作表示了熱情。然而，本研究的五個實驗結果表明，網絡很容易被欺騙，網絡使用計算機視覺識別物體的方法與人類視覺有很大的不同。
“這些機器有我們需要了解的嚴重侷限性，”加州大學洛杉磯分校(UCLA)心理學教授、該研究的資深作者菲利普•克爾曼(Philip Kellman)表示。
網絡很容易被愚弄
他說，機器視覺也有缺點。在第一個實驗中，心理學家展示了最好的深度學習網絡之一VGG-19，即動物和物體的彩色圖像。圖像被修改了。例如，一個高爾夫球的表面顯示在茶壺上;把斑馬條紋放在駱駝上;一隻藍色和紅色菱形花紋的襪子出現在一隻大象身上。VGG-19對它的首選項進行了排名，在40個對象中只有5個選擇了正確的項作為第一選擇。
“我們可以很容易地愚弄這些人工系統，”合著者、加州大學洛杉磯分校(UCLA)心理學教授盧洪靜表示。“它們的學習機制遠不如人類的大腦複雜。”
在第二個實驗中，心理學家向VGG-19和第二個名為AlexNet的深度學習網絡展示了玻璃雕像的圖像。VGG-19在兩種網絡測試的所有實驗中都表現得更好。這兩個網絡都經過訓練，可以使用名為ImageNet的圖像數據庫識別對象。
然而，兩家網絡公司都未能識別出這些玻璃雕像。
在第三個實驗中，研究人員向VGG-19和AlexNet展示了40幅用黑色勾勒的圖畫和白色的圖片。這前三個實驗旨在發現這些設備是否能通過形狀識別物體。
研究人員得出結論，人類可以看到整個物體，而人工智能網絡可以識別物體的碎片。
“這項研究表明，這些系統在不考慮形狀的情況下，就能從訓練過的圖像中得到正確的答案。”對人類來說，整體形狀是物體識別的首要條件，而通過整體形狀識別圖像似乎根本不在這些深度學習系統中，”Kellman說。
看到這，AI的成熟度遠沒有它的熱度高。好好自我修煉，少些擔憂，感受當下，別想太多。
似水流年是一個人所有的一切，只有這個東西才真正歸你所有。其餘的一切，都是片刻的駒和不幸。
