2011年，Google開發了一個可以辨識YouTube影片中的貓的系統，隨後不久便出現了一波基於DNN的分類系統。但AI研究人員知道DNN實際上並不瞭解世界。它們只是由許多數位神經元組成的，分佈在許多上下相互連接的各層網路中的，類似大腦結構的鬆散模型。
假設一輛自動駕駛汽車看到停車標誌時並沒有減速，而是加速駛入了繁忙的十字路口，從而導致了交通事故。事故報告顯示，停車標誌的表面黏了四個小的矩形標誌。這說明一些微小擾動就能愚弄車載人工智慧（AI），使其將「停止」一詞誤讀為「限速45」。
目前，此類事件還未發生，但是人為擾動可能影響AI是非常現實的。研究人員已經展示了如何透過黏貼紙來欺騙AI系統誤判停車標誌，或者透過在眼鏡或帽子上黏貼印刷圖案來欺騙人臉辨識系統，又或者透過在音訊中插入白噪聲使語音辨識系統產生錯誤判斷。
這只是一些攻擊AI中領先的模式辨識技術——深度神經網路（DNN）的小示例。事實證明，這些方法在正確分類各種輸入方面（包括圖像、語音和有關消費者偏好的數據）非常成功。從自動電話系統到串流媒體服務Netflix上的使用者推薦，這都是日常生活中的一部分。對輸入進行人類難以察覺的微小更改，就能使周圍最好的神經網路發生混淆。
加利福尼亞大學柏克萊分校電腦科學博士生Dan Hendrycks表示，在這種不完美的技術中，這些問題比特殊的怪癖更麻煩。像許多科學家一樣，他一開始也認為其是DNN的內在缺陷：在訓練領域能出色地完成任務，但是一旦進入陌生領域，就會因為各種原因而失效。
這可能會導致嚴重的問題。越來越多的深度學習系統從實驗室走向現實世界，從自動駕駛汽車到犯罪測量和診斷疾病。但是，今年一項研究報告稱，惡意添加到醫學掃瞄中的圖像可能會使DNN誤檢測癌症。另一方面，駭客可以利用這些弱點駭掉一個線上AI系統，從而執行自己的程式碼。
努力尋找問題根源的過程中，研究人員發現了許多DNN失敗的原因。位於加利福尼亞山景城的Google的AI工程師François Chollet認為，「DNN的內在缺陷是沒有解決辦法的。要克服這些缺陷，研究人員需要開發額外的功能來增強模式匹配DNN，例如，使AI能夠自己探索世界，自己寫程式碼並保留記憶。「一些專家認為，這將是未來十年AI的研究方向。
現實檢驗
2011年，Google開發了一個可以辨識YouTube影片中的貓的系統，隨後不久便出現了一波基於DNN的分類系統。加州舊金山Uber AI Labs的高級研究經理，懷俄明大學拉拉米分校的傑夫‧克勞恩（Jeff Clune）表示，不明就裡的人都在說，「哇，這太神奇了，電腦終於可以理解世界了」。
但只有AI研究人員知道DNN實際上並不瞭解世界。它們只是由許多數位神經元組成的，分佈在許多上下相互連接的各層網路中的，類似大腦結構的鬆散模型。
其思想是，原始輸入進入底層的特徵（例如圖像中的像素）會觸發其中一些神經元，然後根據簡單的數學規則將訊號傳遞到上一層的神經元，每次調整神經元的連接方式，訓練DNN網路涉及到將其暴露於大量示例中，以便最終頂層可以提供所需的答案。例如，即使DNN之前從未看到過該圖片，也能始終將獅子的圖片輸出為獅子。
2013年，Google研究員Christian Szegedy和他的同事發佈了一份名為「神經網路的有趣特性」的預印本，這是對神經網路在現實應用的第一次檢驗。以獅子的圖像為例，即使改變一些像素，例如在圖像裡添加圖書館背景，DNN能確認它看到了不同的內容，但是依然能辨識圖中的獅子。小組稱篡改的圖像為「對抗樣本」。
- 資料來源：Why deep-learning AIs are so easy to fool
- 本文授權轉載自大數據文摘
没有评论:
发表评论