中新网北京3月7日电 ( 孙自法)近些年来，人工智能(AI)技能的迅猛发展和广泛运用，因其很多方面的优胜表现超过人类而备受关注。
不过，中国科学院自动化研究所(中科院自动化所)团队最新完成的一项研究创造，基于人工智能的神经网络和深度学习模型对幻觉轮廓“视而不见”，人类与人工智能的“竞赛”在幻觉认知上“扳回一局”。

交错光栅扭曲方法天生的样本。
曾毅研究团队 供图

受人类和生物视觉系统中广泛存在的幻觉轮廓征象启示，中科院自动化所曾毅研究团队提出一种将机器学习视觉数据集转换成幻觉轮廓样本的方法，量化丈量当前的深度学习模型对幻觉轮廓识别能力，实验结果证明，从经典的到最前辈的深度神经网络都难以像人一样具有较好的幻觉轮廓识别能力，纵然是当前最前辈的深度学习算法在交错光栅效应(幻觉识别能力之一)的识别上也与人类水平相距甚远。

这项人工智能与人类在幻觉轮廓方面尚有显著认知差距的主要研究成果论文，近日在细胞出版社旗下专业学术期刊《模式》(Patterns)上揭橥。
该研究表明，目前，人类的视觉系统在幻觉认知问题上具有高度鲁棒性(也称稳健性，一样平常指在非常和危险情形下系统自适应能力强健稳定)，基于人工智能的深度学习系统与生物视觉系统比较仍旧存在根本性毛病。

预演习模型测试结果。
曾毅研究团队 供图

为何研究？

论文通讯作者、中科院自动化所类脑认知智能研究组卖力人曾毅研究员先容说，幻觉轮廓是认知心理学中经典的幻觉征象，在没有颜色比拟度或亮度梯度的情形下，生物视觉系统能够感知到一个清晰的边界。
这一征象已经在人类和多种动物物种中被广泛创造，包括哺乳动物、鸟类和昆虫等。

独立进化的视觉系统中普遍存在幻觉轮廓感知能力，表明它在生物视觉处理中具有根本和关键的浸染，因此，幻觉轮廓感知也该当是人工智能视觉系统所必须具备的能力。

人类实验结果与深度学习测试结果比拟。
曾毅研究团队 供图

此前，深度学习模型的幻觉轮廓感知干系研究相对较少，研究深度学习模型对幻觉轮廓感知的鲁棒性比图像滋扰鲁棒性更加繁芜，紧张障碍是幻觉轮廓的样本有限。
大多数研究剖析的幻觉轮廓都是在先前的生理学文献中手动设计，而这些测试图片无法直接与深度学习模型演习的任务相匹配，同时由于数量很少，无法形成一个有相对规模的测试集，很难以机器学习的办法去衡量深度学习模型的幻觉轮廓感知能力。

如何研究？

曾毅指出，这次紧张研究了深度学习对交错光栅幻觉的识别能力，交错光栅幻觉是一个经典的幻觉轮廓征象，位移的光栅会在没有亮度比拟的情形下诱发出虚假的边缘和形状。
标准的交错光栅错觉能够让人类在实际上没有物理边界的情形下感知到中间的垂直线。
交错光栅幻觉被广泛运用于生理学研究中，以探索幻觉轮廓的生物视觉处理。

中科院自动化所类脑认知智能研究组提出一种名为交错光栅扭曲的图像滋扰方法，作为量化神经网络模型幻觉轮廓感知能力的工具。
该方法可直接应用于具有外部轮廓而没有纹理信息的剪影图像，从而系统性地天生大量幻觉轮廓图像。
由于不同的参数设置能够产生不同程度的幻觉效应，这项研究对人类被试者进行测试，用于理解不同的滋扰参数对人类被试的幻觉轮廓感知能力的影响。

类似端点激活神经元的征象和理论预言的拓扑构造。
曾毅研究团队 供图

对付深度学习模型，这项研究演习全连接网络和卷积网络，网络了109种公开可用的预演习模型。
同时，这项研究也招募了24名人类受试者，从而评估不同的参数设置下，人类的幻觉轮廓感知能力以及其对数字和图像识别的影响。

有何收成？

论文第一作者、中科院自动化所类脑认知智能研究组工程师范津宇说，这项研究结合认知科学和人工智能，提出将传统机器视觉数据集转换成认知科学中的交错光栅幻觉图像，首次对大量的公开预演习神经网络模型的幻觉轮廓感知能力进行量化丈量，并从神经元动力学角度和行为学两个角度，考验深度学习和神经网络模型对幻觉轮廓的感知。

本次研究实验中的所有深度神经网络模型无论是否被演习、利用什么办法演习，都产生了神经动力学层面的沿着幻觉轮廓的激活。
然而纵然如此，这一神经动力学层面的激活并没有能够帮助到深度神经网络终极在行为学层面识别出幻觉轮廓。
而唯一拥有相对好的幻觉轮廓感知能力的深度增强模型，则表现出端点激活效应，从而揭示未来打破这个问题重点在于端点激活和幻觉轮廓的关系。

曾毅总结称，本项研究成果亮点可概括为四个方面：一是提出系统性天生幻觉轮廓样本的方法；二是将视觉认知和机器学习数据集结合，实现对神经网络幻觉轮廓感知能力的量化；三是测试大量公开的预演习神经网络模型；四是创造幻觉轮廓感知较好的模型展现出打算神经科学理论预言的端点激活征象。

这项研究最大的特点是从认知科学的角度考验和部分重新核阅了当前看似成功的人工神经网络模型，并且证明人工神经网络模型与人脑视觉处理过程仍旧存在着很大差距，这还只是人工智能与人类认知显著间隔的“冰山一角”，大脑运作的机理和智能的实质将连续启示人工智能，特殊是神经网络的研究。

“如果想从实质上取得打破，人工智能须要借鉴并受自然蜕变、脑与心智的启示，建立智能的理论体系，这样的人工智能才会有长远的未来。
”曾毅说。
(完)