人工智能還有很長的路要走。

它需要明白在樹干上爬的動物不一定是松鼠，也可能是貓咪；尖頭長條的物體也不一定是燈塔，有可能是風鈴；在鮮艷物體上的小生物不一定是蜜蜂，也可能是蝸牛。

雖然人工智能在飛速的進步之中，但它目前還并沒有我們想象的那么強大。它也會犯錯，有些錯誤在我們看來甚至有些“低級”。

加州大學伯克利分校的博士生們就介紹了一些真實的案例。在他們展示的7500個圖片案例中，AI基本都在“自然對抗性案例”中敗下陣來，精度下降了90%，準確度也只有2％左右。

雖然這些圖像在我們眼里都非常好辨別。但在AI的算法中，蘑菇會被認成椒鹽卷餅，綠色的蜻蜓被認成了井蓋，呆萌的松鼠也被認成了比他們大數倍的海獅。

不只認圖出現了較大錯誤，并且想要好好“調教”AI，將它引導回正確的道路上也不容易。實驗中的案例證明了AI識別當前分類器有著深層缺陷，它們會過分依賴顏色、紋理和背景提示。同時，博士們發(fā)現提高魯棒性的流行訓練技術也收效甚微。

這個數據庫是ImageNet的一個子集，它由不斷欺騙人工智能的圖像組成，包含了超過1400萬幅手工標記的圖像用于訓練AI。如果你想讓AI 在看到貓的時候就能辨認出這是貓，你只需要把它指向貓的類別，然后讓它去識別就可以了。

雖然故意讓AI犯錯似乎是一件無聊且瑣碎的事情，但這都是有意義的。AI如果在實際運用中出現錯誤，那可能會造成無法彌補的嚴重后果。比如自動駕駛的汽車將行人誤認為紅綠燈，就可能會引發(fā)不幸的交通事故。

互聯網也需要AI的識別功能幫忙鑒別圖像內容。Facebook就曾披露它如何使用AI工具完成內容審核。Facebook的自動化AI工具主要表現在裸體、暴力、恐怖內容、仇恨言論，垃圾郵件，虛假賬戶和自殺預防七個方面。

如果社交網絡中裸露和暴力的圖片能成功被AI技術檢測，AI就能為圖片中的敏感元素進行標記，進行更高效地處理和提示。而這些圖片如果交給人工進行審核，那不僅效率低，也會給審核人員帶來更多的工作量和精神壓力。

扎克伯格自己也說過“建立一個可以檢測具體某個不良信息的人工智能系統，要比確定什么是令人不適的語言要容易的多。”

AI進行圖像識別就像在盲文上進行閱讀，圖像中的元素是一個個信息點，最終要通過信息點做出一個最為合理的猜測。這也像一個管道系統，不同的管道連接最終形成了系統。這種方法讓AI在特定的圖像視覺處理上能輕易地超過人類。比如說在動植物物種的識別上，它就比我們更為專業(yè)。

但部分的成功還不能讓人對AI圖像識別充滿信心，約克大學研究員Amir Rosenfeld就表示“有各種各樣奇怪的事情發(fā)生，告訴我們目前的物體檢測系統是多么脆弱。”

這些“自然對抗性案例”的存在顯示了現有的 AI 還沒那么智能，它們的“深度學習”也需要更長的時間、更多的訓練。