識別率只有可憐的2％，人工智慧識圖展開的最後衝刺卻令人期待

最近，AI成為數碼發展新亮點，智能識圖的功能也成為很多手機的「賣點」。誠然，智能識圖在識別很多商品、特徵明顯的物品時，給我們帶來很大便利。但相比於我們的預期，要想實現萬能識圖，還遠遠不夠。

加州大學伯克利分校計算機科學博士生、論文作者Dan Hendrycks提供了一組連最強大的視覺AI也無法準確識別的圖片。這些照片都經過精心挑選，專門用來「欺騙」圖像識別技術，來自一套專門的數據集，其中的7000張照片由加州大學伯克利分校、華盛頓大學以及芝加哥大學的研究人員們共同整理完成。

這說明目前的（機器學習）模型還不夠完善。雖然已經有不少研究嘗試利用人工數據提升模型的能力，但我們發現，這些模型在面對某些真實數據（來自真實照片）時往往會出現嚴重且高度一致的錯誤判斷。

過去幾年以來，圖像識別工具已經變得越來越好，識別速度也越來越快。這在很大程度上要歸功於斯坦福大學創建的，並且其規模仍在持續拓展的開放數據集ImageNet。這個龐大的資料庫成為人工智慧重要的訓練素材集合，也可以作為新AI系統的參考基準，用於訓練系統進行圖像識別。

然而，解決這最後5%的準確度缺口是個巨大的挑戰。正因為如此，研究人員們才嘗試探索其中的原因——即計算機為什麼無法解析某些特定圖像。通過這套新的圖像集合，研究人員們以手工方式搜索Flickr，尋找可能會令AI軟體陷入混亂的照片，將其添加到這套名為ImageNet-A的新數據集內。這個數據集中，世界上最先進的視覺AI模型確實無法正確識別其中98%的照片。

構建ImageNet-A數據集，正是為了「欺騙」AI。利用ImageNet-A，研究人員們成功從視覺AI當中找到7000個盲點。但簡單將更多照片添加到機器學習數據集當中，無法解決AI模型在邏輯層面的核心缺陷。如何解決這最後5%的準確性空白？則需要在現代機器學習範圍之外開發出新的方法，從而創建起更加複雜的AI系統。而這將會是一個艱辛而漫長的過程。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！