摘要:列車高速撞上來,壓碎了這輛自動(dòng)駕駛汽車,乘客當(dāng)場(chǎng)死亡。的計(jì)算機(jī)科學(xué)家阿塔利表示我們可以把這些東西看作是人工智能網(wǎng)絡(luò)會(huì)以某種方式處理的輸入信息,但機(jī)器在看到這些輸入信息后會(huì)做出一些意想不到的反應(yīng)。谷歌大腦正在研發(fā)智能機(jī)器。
簡(jiǎn)評(píng):如果人工智能犯了錯(cuò)怎么辦?
乘客看到了停車標(biāo)志,突然感到一陣恐慌,因?yàn)樗畛说淖詣?dòng)駕駛汽車反而開始加速。
當(dāng)他看到前面的鐵軌上一列火車向他們疾馳而來時(shí),他張開嘴對(duì)前面的司機(jī)大聲喊叫,但他突然意識(shí)到汽車前坐并沒有司機(jī)。列車高速撞上來,壓碎了這輛自動(dòng)駕駛汽車,乘客當(dāng)場(chǎng)死亡。
這個(gè)場(chǎng)景是虛構(gòu)的,但是凸顯了當(dāng)前人工智能中一個(gè)非常真實(shí)的缺陷。
在過去的幾年里,已經(jīng)有越來越多的例子表明 —— 機(jī)器可以被誤導(dǎo),看見或聽見根本不存在的東西。如果出現(xiàn)「噪音」會(huì)干擾到人工智能的識(shí)別系統(tǒng),就可能產(chǎn)生誤覺。比如上面的場(chǎng)景,盡管停車標(biāo)志在人眼中清晰可見,但機(jī)器卻未能識(shí)別出來。
「停止」標(biāo)志上一些簡(jiǎn)單的貼紙就足以使機(jī)器視覺算法看不見這個(gè)告示,而在人類的眼中依然顯而易見
計(jì)算機(jī)科學(xué)家稱之為「對(duì)抗性例子」(adversarial examples)。
MIT 的計(jì)算機(jī)科學(xué)家阿塔利(Anish Athalye)表示:
我們可以把這些東西看作是人工智能網(wǎng)絡(luò)會(huì)以某種方式處理的輸入信息,但機(jī)器在看到這些輸入信息后會(huì)做出一些意想不到的反應(yīng)。▎看物體
到目前為止,人們主要關(guān)注的是視覺識(shí)別系統(tǒng)。
阿塔利已經(jīng)證明,將一張貓的圖像稍加改動(dòng),人眼看來仍是一只標(biāo)準(zhǔn)的貓,卻被所謂的神經(jīng)網(wǎng)絡(luò)誤解為是鱷梨醬。
最近,阿塔利把注意力轉(zhuǎn)向了實(shí)際物體。發(fā)現(xiàn)只要稍微調(diào)整一下它們的紋理和顏色,就可以騙過人工智能,把這些物體認(rèn)作別的東西。
在一個(gè)案例中,棒球被誤認(rèn)為是一杯濃縮咖啡,而在另一個(gè)案例中,3D 打印的海龜被誤認(rèn)為是步槍。他們還制造了約 200 個(gè) 3D 打印物體,這些物體以類似的方式欺騙了電腦。
阿塔利表示:
起初,這只是一種好奇,然而,隨著這些智能系統(tǒng)越來越多地部署在現(xiàn)實(shí)世界中,人們正將其視為一個(gè)潛在的安全問題。
以目前正在進(jìn)行實(shí)地試驗(yàn)的無人駕駛汽車為例:這些汽車通常依靠復(fù)雜的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)導(dǎo)航,并告訴它們?cè)撟鍪裁础?/p>
但在去年,研究人員證明,僅僅只在路標(biāo)上粘一兩張小貼紙,神經(jīng)網(wǎng)絡(luò)就可能受騙,將道路上的「停車」標(biāo)志誤認(rèn)為限速標(biāo)志。
盡管對(duì)于機(jī)器學(xué)習(xí)算法,讓海龜看起來像步槍似乎是無害的,但研究人員擔(dān)心,隨著人工智能在現(xiàn)實(shí)世界中的應(yīng)用,可能會(huì)帶來一些危險(xiǎn)后果。
▎聽聲音神經(jīng)網(wǎng)絡(luò)并不是唯一使用的機(jī)器學(xué)習(xí)框架,但其他的人工智能框架似乎也容易遭受這些怪異事件的影響,并且不限于視覺識(shí)別系統(tǒng)。
谷歌大腦(Google Brain)正在研發(fā)智能機(jī)器。谷歌大腦的研究科學(xué)家卡里尼(Nicholas Carlini)說,
在我見過的每一個(gè)領(lǐng)域,從圖像分類到自動(dòng)語音識(shí)別,再到翻譯,神經(jīng)網(wǎng)絡(luò)都可能受到攻擊,導(dǎo)致輸入信號(hào)被錯(cuò)誤分類。
卡里尼作了展示,加上一些摩擦的背景噪音后,「沒有數(shù)據(jù)集的文章是無用的」這句話的讀音,機(jī)器會(huì)誤譯為「好,谷歌要瀏覽?http://evil.com」。在另一個(gè)例子中,巴赫的第一號(hào)無伴奏大提琴組曲(Cello Suit 1)中的一段音樂節(jié)選被記錄為「語言可以嵌入音樂」。
在卡里尼看來,這些對(duì)抗性的例子「最終證明,哪怕在非常簡(jiǎn)單的任務(wù)上,機(jī)器學(xué)習(xí)也沒有達(dá)到人類的能力」。
對(duì)我們的耳朵來說,一段古典音樂聽起來就是樂器的交響樂,但這段音樂若稍作修改,人工智能可能會(huì)理解為是一個(gè)語音指令。
▎內(nèi)在原理人工神經(jīng)網(wǎng)絡(luò)是大致模仿大腦(即生物神經(jīng)網(wǎng)絡(luò))處理視覺信息的功能并從中學(xué)習(xí)方法。
神經(jīng)網(wǎng)絡(luò)的工作原理大致是,獲取的數(shù)據(jù)通過多層人工神經(jīng)元網(wǎng)絡(luò)傳輸進(jìn)行信息處理,在接受到成百上千個(gè)相同物體的樣本(通常由人類標(biāo)記)的訓(xùn)練之后,神經(jīng)網(wǎng)絡(luò)開始建立此物體的視覺識(shí)別模式,從而能夠在其后認(rèn)得出正在觀看的東西是這種物體。
其中最復(fù)雜的系統(tǒng)采用「深度學(xué)習(xí)」,這意味著需要擁有更多的信息處理層。
稍微改變物體的紋理,研究人員能夠讓一個(gè)3D打印的棒球看起來像一杯濃縮咖啡。
然而,盡管計(jì)算機(jī)科學(xué)家了解人工神經(jīng)網(wǎng)絡(luò)如何工作,但他們并不一定知道在處理大數(shù)據(jù)時(shí)的具體細(xì)節(jié)。
我們目前對(duì)神經(jīng)網(wǎng)絡(luò)的理解還不夠。比如說,無法準(zhǔn)確解釋為什么會(huì)存在對(duì)抗性例子,也不知道如何解決這個(gè)問題。
部分問題可能與現(xiàn)有技術(shù)被設(shè)計(jì)用來解決的任務(wù)的性質(zhì)有關(guān),例如區(qū)分貓和狗的圖像。為了做到這一點(diǎn),神經(jīng)網(wǎng)絡(luò)技術(shù)將處理大量貓和狗的模樣信息,直到有足夠的數(shù)據(jù)點(diǎn)來區(qū)分兩者。
一個(gè)真正強(qiáng)大的圖像分類器會(huì)復(fù)制「相似性」對(duì)人類的作用,因而可以認(rèn)出一個(gè)孩子涂鴉的貓和一張貓的照片以及一只現(xiàn)實(shí)生活中移動(dòng)的貓代表的是同一樣?xùn)|西。盡管深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)令人印象深刻,但在對(duì)物體進(jìn)行分類、感知周遭環(huán)境或處理突發(fā)事件方面,仍無法與人腦匹敵。
如果我們想要開發(fā)出能夠在現(xiàn)實(shí)世界中發(fā)揮作用的真正智能機(jī)器,或許我們應(yīng)該回到人腦上來,更好地理解人腦是如何解決這些問題的。
▎捆綁問題(Binding problem)雖然神經(jīng)網(wǎng)絡(luò)是受到人類視覺皮層的啟發(fā),但越來越多的人認(rèn)識(shí)到這種相似性只是表面現(xiàn)象。一個(gè)關(guān)鍵的區(qū)別在于,除了識(shí)別物體邊緣的線條或物體本身等視覺特征外,我們的大腦還對(duì)這些特征之間的關(guān)系進(jìn)行編碼。因此,物體的邊緣就構(gòu)成了這個(gè)物體的一部分。這使我們能夠?qū)ξ覀兯吹降哪J劫x予意義。
當(dāng)你或我看著一只貓時(shí),我們看到了構(gòu)成貓的所有特征,以及它們之間的相互關(guān)系,這種相互「捆綁的」信息是我們理解世界的能力和我們的一般智力的基礎(chǔ)。
這個(gè)起關(guān)鍵作用的捆綁信息在當(dāng)代的人工神經(jīng)網(wǎng)絡(luò)中是缺失的。
對(duì)于更具體的行為模式,科學(xué)家仍在探索。我們清楚的是 —— 大腦的工作方式與我們現(xiàn)有的機(jī)器深度學(xué)習(xí)模式非常不同,因此,最終可能會(huì)走上一條完全不同的路才能成功。很難說可行性有多大,以及取得成功需要多長(zhǎng)時(shí)間。
與此同時(shí),對(duì)于越來越多人工智能驅(qū)動(dòng)的機(jī)器人、汽車和程序,我們可能需要避免對(duì)其過于信任。因?yàn)槟阌肋h(yuǎn)不知道人工智能是不是正在產(chǎn)生被誤導(dǎo)的視覺。?
原文鏈接:The ‘weird events’ that make machines hallucinate
文章版權(quán)歸作者所有,未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為,您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址:http://specialneedsforspecialkids.com/yun/19947.html
摘要:本文的主題,初衷就是探討人機(jī)結(jié)合對(duì)于機(jī)器翻譯發(fā)展的重要性。所以絕大部分的機(jī)器翻譯訓(xùn)練,無論是統(tǒng)計(jì)機(jī)器翻譯還是人工神經(jīng)網(wǎng)絡(luò),都以和人工譯文語料庫的最大似然度為訓(xùn)練目標(biāo)。其下界低于機(jī)器翻譯的水準(zhǔn),是最正常不過的事情了。 來自 GitChat 作者:魏勇鵬更多IT技術(shù)分享,盡在微信公眾號(hào):GitChat技術(shù)雜談 眼球不夠,八卦來湊 以一個(gè)八卦作為開頭吧。 本文開始要寫作的時(shí)候,翻譯圈里出了一...
摘要:系統(tǒng)動(dòng)力學(xué)之父之父再發(fā)新作這一次,他借鑒了人類認(rèn)知世界的模式,為機(jī)器建造了一個(gè)世界觀模型。同時(shí),文摘菌也會(huì)手把手教你訓(xùn)練出一個(gè)有簡(jiǎn)單世界觀的賽車手。遞歸神經(jīng)網(wǎng)絡(luò)沒有遞歸神經(jīng)網(wǎng)絡(luò)的賽車手可能會(huì)把車開成這樣。。。 人類對(duì)周遭世界的認(rèn)知,只是我們腦海中的一個(gè)模型。——系統(tǒng)動(dòng)力學(xué)之父J.W.ForresterLSTM之父Ju?rgen Schmidhuber再發(fā)新作!這一次,他借鑒了人類認(rèn)知世界的模...
閱讀 955·2019-08-30 14:24
閱讀 987·2019-08-30 14:13
閱讀 1799·2019-08-29 17:21
閱讀 2660·2019-08-29 13:44
閱讀 1654·2019-08-29 11:04
閱讀 438·2019-08-26 10:44
閱讀 2564·2019-08-23 14:04
閱讀 908·2019-08-23 12:08