在部分情況下，只需在人眼不可見的靜態(tài)噪聲中添加一些可選的筆觸或圖層，就可以“愚弄”AI圖像識(shí)別系統(tǒng)，這有時(shí)甚至?xí)斐芍旅暮蠊?/p>

例如，曾有研究人員將打印的涂鴉貼在路牌上導(dǎo)致AI自動(dòng)駕駛系統(tǒng)將限速標(biāo)志識(shí)別為禁行，騰訊科恩實(shí)驗(yàn)室也曾發(fā)布報(bào)告稱路面上難以注意到的小貼紙就能誤導(dǎo)特斯拉錯(cuò)誤判斷并駛?cè)敕聪蜍嚨馈?/p>

這些誤導(dǎo)標(biāo)志被稱為“對(duì)抗補(bǔ)丁”，研究人員現(xiàn)在正忙于開發(fā)保護(hù)人工智能系統(tǒng)不受這些例子影響的方法。

但在去年的一篇論文中，Google Brain和普林斯頓大學(xué)的一組研究人員，包括該領(lǐng)域最早的研究人員之一Ian Goodfellow，認(rèn)為這些新研究過于理論化，沒有抓住重點(diǎn)。

他們說，雖然大部分研究的重點(diǎn)是保護(hù)系統(tǒng)免受特別設(shè)計(jì)的標(biāo)志的干擾，但黑客可能會(huì)選擇一種更直接的方法：使用一張完全不同的照片，而不是在現(xiàn)有照片上疊加噪音圖案。這也可能導(dǎo)致系統(tǒng)誤判斷。這一批評(píng)促使加州大學(xué)伯克利分校的博士生Dan Hendrycks編寫了一個(gè)新的圖像數(shù)據(jù)集。

這個(gè)數(shù)據(jù)集中包括一些容易被誤判的圖像，比如松鼠（它們通常會(huì)被誤認(rèn)為是海獅）或蜻蜓（它們會(huì)被誤認(rèn)為是井蓋）。他表示：“這些例子似乎更難防范?！?/p>

人工合成的對(duì)抗標(biāo)志需要知道所有的人工智能系統(tǒng)是如何防范誤判的。但相比之下，即使人工智能系統(tǒng)各自的防范措施不同，這些自然的例子也能很好地發(fā)揮作用。

Hendrycks上周在國際機(jī)器學(xué)習(xí)會(huì)議上發(fā)布了該數(shù)據(jù)集的早期版本，包含大約6000幅圖像。他計(jì)劃在幾周內(nèi)發(fā)布最終版本，其中包括近8000個(gè)圖像。他打算讓研究團(tuán)體使用該數(shù)據(jù)集作為基準(zhǔn)。

換句話說，與其直接在圖像上訓(xùn)練圖像識(shí)別系統(tǒng)，不如將其保留下來只用于測(cè)試。他說：“如果人們只是用這些數(shù)據(jù)集訓(xùn)練系統(tǒng)，那么系統(tǒng)僅僅只是記住了這些例子。這樣雖然系統(tǒng)已經(jīng)解決了誤判這些圖像的問題，但它們對(duì)新圖像的誤判程度并沒有得到改善?！?/p>

破解這些令人困惑的誤判背后的邏輯，可能會(huì)讓系統(tǒng)的適應(yīng)性更廣?！盀槭裁聪到y(tǒng)會(huì)把蜻蜓和鱷梨色拉醬搞混？”Hendrycks開玩笑道，“根本不清楚為什么會(huì)犯這樣的錯(cuò)誤?！?/p>

為什么人工智能會(huì)誤判？

有些人工智能系統(tǒng)的底層計(jì)算機(jī)制是已知的，有些則不是，這被稱為“黑箱”，即該系統(tǒng)的開發(fā)者可能都無法完全了解系統(tǒng)如何做出決策。

對(duì)于圖像識(shí)別技術(shù)來說，有時(shí)原因是因?yàn)榻o定的訓(xùn)練數(shù)據(jù)集出了問題。比如近日Facebook人工智能實(shí)驗(yàn)室的一項(xiàng)新研究就表明，科技巨頭銷售的物體識(shí)別算法在識(shí)別來自低收入國家的物品時(shí)表現(xiàn)得更差。

據(jù)報(bào)道，研究人員測(cè)試了五種流行的現(xiàn)成對(duì)象識(shí)別算法——微軟Azure、Clarifai、谷歌Cloud Vision、亞馬遜Rekognition和IBM Watson。而測(cè)試的圖像包括來自全球不同階級(jí)的家庭的家中用品的圖像。這些圖像可能來自非洲布隆迪的一個(gè)月收入27美元的家庭，也可能來自烏克蘭一個(gè)月收入1090美元的家庭。

研究人員發(fā)現(xiàn)，與月收入超過3500美元的家庭相比，當(dāng)被要求識(shí)別月收入50美元的家庭的物品時(shí)，物體識(shí)別算法的出錯(cuò)率要高出10%左右。

而且在識(shí)別來自美國的照片時(shí)，算法的準(zhǔn)確性也比識(shí)別來自索馬里或布基納法索的照片要高出15%至20%。

研究人員稱，在一系列用于圖像識(shí)別的商業(yè)云服務(wù)中，這些發(fā)現(xiàn)具有一致性。

人工智能算法的這種“偏見”還有很多別的例子，其中一種常見的推測(cè)原因是用于培訓(xùn)的數(shù)據(jù)有了偏頗——它們往往反映了相關(guān)工程師的生活和背景。由于這些人通常是來自高收入國家的白人男性，他們訓(xùn)練的算法所要識(shí)別的世界也是如此。

研究人員稱，視覺算法的訓(xùn)練數(shù)據(jù)主要來自歐洲和北美，“在人口眾多的地理區(qū)域，特別是非洲、印度、中國和東南亞，對(duì)視覺場(chǎng)景的采樣嚴(yán)重不足”。

由于美國科技公司在人工智能領(lǐng)域處于世界領(lǐng)先地位，這可能會(huì)影響到從照片存儲(chǔ)服務(wù)、圖像搜索功能到更重要的AI安全攝像頭、自動(dòng)駕駛汽車等系統(tǒng)的方方面面。

“評(píng)估人工智能系統(tǒng)并不一定容易，因?yàn)闆]有執(zhí)行這類評(píng)估的標(biāo)準(zhǔn)基準(zhǔn)?！睅椭_展這項(xiàng)研究的Facebook人工智能研究科學(xué)家勞倫斯·范德馬頓（Laurens van der Maaten）在接受采訪時(shí)表示。

“對(duì)抗這種偏見最重要的一步是，在培訓(xùn)AI系統(tǒng)之前的數(shù)據(jù)收集環(huán)節(jié)就要謹(jǐn)慎得多。”

值得注意的是，科技公司們經(jīng)常把自家人工智能產(chǎn)品宣傳為“人人平等、人人可得”，但實(shí)際上，它們可能只是在按照自己的形象來評(píng)估、定義和塑造世界。