錯誤的推理：人工智能也會受騙

　　在智能識別的過程當(dāng)中，即便是性能最為優(yōu)越的AI也會因為系統(tǒng)缺陷而陷入迷局。著名學(xué)者、暢銷書Us and them ： The Science of Identity的作者大衛(wèi)·貝雷比就表示，人工智能是可以被“欺騙”的，因為它們的內(nèi)置推理機制都是呈模型化狀態(tài)分布的。所以從這個角度來說，只要符合既定模型中的驗證條件，一些原本不符合要求的樣本也可能會被系統(tǒng)讀取和識別。這就是說，在智能化推理的過程當(dāng)中，人工智能也會出現(xiàn)“失誤”，而如何將這些失誤降到最低，就需要研究人員通過多種渠道來改善識別系統(tǒng)了。

　　關(guān)于人工智能在推理方面的錯誤，一個由美國高等學(xué)府和社會科研機構(gòu)組成的團隊做了一個非常有趣的實驗。工作人員先按照一定的標(biāo)準(zhǔn)開發(fā)出了一套可以識別圖像文字的神經(jīng)網(wǎng)絡(luò)模型，然后他們將經(jīng)過特殊化處理的圖片錄入到這個模型當(dāng)中去，命令人工智能系統(tǒng)對該圖片進行識別。如圖所示，以人類的肉眼來看，這兩張圖片應(yīng)該是不存在特征差異的。

　　但是對于這一套配備了特殊神經(jīng)網(wǎng)絡(luò)的人工智能來說，最終得到的結(jié)果卻是令人大跌眼鏡的：在本次測試當(dāng)中，AI系統(tǒng)將左邊的圖片認(rèn)定為“狗”，而右邊的圖像則被判定為“鴕鳥”。實際上，這兩張圖片之間僅僅是存在細(xì)微的像素差異，而鏡像本體和所使用的拍攝器材，都是完全一致的。這就是說，在本次實驗當(dāng)中，圖片像素的差異是誤導(dǎo)人工智能進行錯誤推理的直接原因。

　　與此類似，美國懷俄明大學(xué)計算機系助理教授杰夫·克魯聯(lián)合另外兩名研究者——阮昂和杰森·約辛斯基，共同論著了一篇關(guān)于人工智能的文章。在這篇名為“人工智能其實很好騙”的文章當(dāng)中，克魯舉例表示，他們共同研發(fā)了一套用于識別圖像的智能系統(tǒng)。當(dāng)研究者將一張呈條狀波浪形分布、主體為黃綠兩種顏色的圖片交給這套系統(tǒng)識別時，他們發(fā)現(xiàn)，這套識別系統(tǒng)用99.6%的確定性，將這張“毫無主題的水彩畫”認(rèn)作了“海星”;而在面對另一張布滿雜亂混合斑點的圖片時，該AI系統(tǒng)再一次犯錯——它將圖示當(dāng)中的主體推論為“豹”，并對真實性做出了接近于100%的保證。

　　很顯然，“小狗實驗”和克魯主導(dǎo)的圖像識別實驗，都向人們反映出了這樣一個現(xiàn)象——人工智能在進行分析推理的過程當(dāng)中，也會受到來自模型缺陷的干擾。比如在克魯?shù)膶嶒灝?dāng)中，研究人員設(shè)定的識別模型，在樣本定義上必然是存在不足的。對此，另一位人工智能學(xué)者、來自普林斯頓大學(xué)的索倫·巴洛卡斯就認(rèn)為，克魯?shù)哪Ｐ彤?dāng)中沒有設(shè)定“生命”和“非生命”的限定，這就使得人工智能無法對一個樣本進行有效區(qū)分。

　　圖 克魯實驗：系統(tǒng)將左圖識別為海星，右圖識別為豹

　　巴洛卡斯解釋說：“就以那張布滿雜亂斑點的圖像來說，假如克魯團隊關(guān)于識別模型的設(shè)定限定了‘很多斑點=豹’這一規(guī)則，那么當(dāng)人們將這張圖片錄入到該模型當(dāng)中時，這個識別系統(tǒng)就會因為從圖片上檢測出很多斑點，進而做出‘此圖示為豹’的結(jié)論?！?/p>

　　可以看到，人工智能的邏輯推理是帶有強烈的程式化意味的。由于既定模型的局限性，即便是性能最為優(yōu)越的AI系統(tǒng)也會在判定時出現(xiàn)偏差。而在生活當(dāng)中，這一種推理機制帶來的缺陷，也很可能會為人們帶來極大的不便或者其他隱患。比如說在反入侵智能識別系統(tǒng)當(dāng)中，一些不懷好意的人就可以通過識別模型的漏洞，給自己偽裝上適配于該模型的裝置，然后就可以順利通過智能機關(guān)的檢驗。所以說，如何利用規(guī)則，回避類似漏洞就成了研究者們需要重點關(guān)注的話題。

　　顯然，在巴洛卡斯的話語當(dāng)中，我們已經(jīng)能剝離出部分解決人工智能因何被騙的誘導(dǎo)因素了。按照他的說法，AI系統(tǒng)之所以能針對未知事物進行判定推論，內(nèi)置在這一系統(tǒng)中的神經(jīng)網(wǎng)絡(luò)起到了關(guān)鍵性作用。而一旦這個網(wǎng)絡(luò)出現(xiàn)部分可被利用的漏洞，那么當(dāng)有“非正確的適應(yīng)性樣本”進入檢驗階段時，這個錯誤的樣本就會被接受并解讀出來。

　　比如說對于某一個神經(jīng)識別網(wǎng)絡(luò)，我們設(shè)定以下規(guī)則：

　　(1)穿紅色衣服的學(xué)生每人得到1個蘋果

　　(2)穿黃色衣服的學(xué)生每人得到2個蘋果

　　(3)穿非紅色衣服的學(xué)生不分配蘋果

　　很顯然，第三條規(guī)則的介入，對整個評判體系產(chǎn)生了錯誤的影響。對于1名穿黃色衣服的同學(xué)來說，如果按照第二條規(guī)則來執(zhí)行分配，他就會得到2個蘋果;如果按照第三條規(guī)則來界定，他就被排除在了分配原則之外。而在一個神經(jīng)網(wǎng)絡(luò)中，類似沒有受到加權(quán)限制的規(guī)則，很可能會同時執(zhí)行，那么使用這一種網(wǎng)絡(luò)模型來分配蘋果，必然會出現(xiàn)一部分黃衣服學(xué)生持2個蘋果，另一部分黃衣服學(xué)生沒有分到蘋果的混亂現(xiàn)象。

　　所以說，在一個模型體系中，互相之間存在矛盾的因素，是會對這個模型帶來極大的負(fù)面效果的。針對這種情況，其實只要再加上一條“假如規(guī)則之間發(fā)生沖突，以規(guī)則(1)為準(zhǔn)”，這一切就迎刃而解了。

　　另外，在上述幾條規(guī)則當(dāng)中，同樣也存在沒有針對樣本進行深入限定的問題。比如有1名穿紅衣服的玩偶混雜在了待分配者中，那么AI系統(tǒng)也會按照既定條例，給這個玩偶發(fā)放1個蘋果。那么針對這一漏洞，設(shè)計者需要做的其實和之前一樣，那就是增設(shè)規(guī)則選項，將受分配者限定為“能夠呼吸的人類”。

　　所以說，人工智能受到欺騙，實際上更多因素是受制于內(nèi)置模型的缺陷。由于對樣本規(guī)則的限定缺漏，人工智能在推理的過程中也會受到各種誤導(dǎo)。由于識別系統(tǒng)的模式化，AI系統(tǒng)對于樣本的判定都是通過模型當(dāng)中的設(shè)定點來尋求對應(yīng)關(guān)系的，在這種條件下，部分不符合要求的結(jié)果，或許也能因為關(guān)鍵點的契合而順利通過。如果要解決這一問題，設(shè)計者就需要研發(fā)出更為精準(zhǔn)、驗證節(jié)點更多，或者是研發(fā)出以“線性”“面性”，甚至是“立體性”的驗證規(guī)則，而這就需要研究者進行更為深入的研究。