工艺要求
最近一段时间，AI（人工智能）被炒得神乎其神，似乎它无所不能。但事实上，据社交网站“脸谱”披露，要想欺骗AI把某个不存在的东西当作真实存在，比你想象的要容易得多。
譬如，在一张高清晰度的图片中，随机地降低某些地方的像素。这么一点微不足道的变化，人眼根本难以觉察，也不可能影响我们的判断；但AI却能觉察出来其中的差异，并因此严重干扰了判断，比如说把图中的猫误认作了狗。
再比如，据说现在谷歌的语音识别AI功能已经很强大，能一边听语音，一边笔录成文字。但一位AI工程师略施小计，就把它给耍弄了：他在语音文件中掺入少量数码噪声，这点噪声对我们是不会有什么影响的，但让谷歌的AI去识别，结果却是笔录下来的文字已跟原意大不一样。
这些低级错误揭示出当前AI的一个重大缺陷：太拘泥于细节，“只见树木，不见森林”，让无谓的细节影响了对整体的判断。如果这个弱点被黑客利用，后果将不堪设想。他们将能够操纵无人驾驶汽车狂奔，无视红绿灯；或者让嫌疑犯轻易躲过AI控制的监控摄像头。
为了解决这一个问题，这就需要我们先去了解AI是如何自我学习，如何做决策的，但这一直是个难题。因为AI在自我学习过程中，经过海量的数据训练之后，会自创一套决策规则，但它最后创立的规则到底是什么，这对于AI的设计者有时候都是一个谜。这一点其实跟人也是相似的。譬如，老师在课堂上向你传授知识，但你是如何把这些知识点组织起来的，他也不见得清楚。
最近，美国布朗大学的克里斯·格林和他的同事开发了一个系统，有望突破这个困难。
这个系统能够分析，当AI对一个图像做判断时，它是根据图像的哪一部分做出判断的；与此类似的，对于给文件自动归档的AI，这个系统也能够分析，AI是根据文档里的哪个词对文档进行归类的。
为开发这个工具，研究小组用数码噪声依次替换图片的一部分（相当于给这部分图片打马赛克，以便看看这样替换之后，是否会对AI的判断产生一定的影响。如果更换部分的图片改变AI最终的判断，那说明图片的这块区域可能正是影响AI判断的关键）。
格林在给图片分类的一个AI上测试了他的系统。这个AI被训练把图片分成10个类，包括飞机、鸟、鹿和马等。格林的系统能够暗中查看，当AI对图片进行分类时，什么是它所倚重的，什么是被它忽略不计的。
结果表明，AI先是将图片上的物体分解成不同的元素，然后搜索图片中的每一个元素以确定把图片归到哪一类。
举个例子。当AI观察马的图片时，它首先关注的是其腿部，然后，寻找它的头部。在观察鹿的图片时，它也采用类似的办法，不过在关注了鹿的腿部之后，它接下去搜寻的不是头，而是鹿角，因为鹿角是最能把鹿跟其他动物区别开来的，所以鹿角被置于优先的地位。至于图片的另外的地方，则被AI完全忽略了。
从这里我们看出，AI做决策的过程迥异于我们人类。我们是不会如此拘泥于局部的。面对一张鹿的图，即使把它的角打上了马赛克，我们也还是能够准确的通过分叉的蹄子认出鹿来的，但对于“死板”的AI，它很可能就把它认作驴了。
格林的软件能够在一定程度上帮助我们测试现有的AI，以便确保它们下判断时，关注的是我们大家都认为重要的东西，这对于改进AI有重要的价值。
日期 : 2024-07-14 
