人工智能支持者表示其能够用来完成许多个人任务，乃至是传统认为必须由人类实行的事情。
然而，在这项研究中的五个实验的结果表明，深度学习打算机网络是非常随意马虎被欺骗的，并且打算机视觉识别物体的方法与人类视觉大相径庭。

“这些机器有严重的局限性，对此我们还不足理解，”加州大学洛杉矶分校的顶尖生理学教授，同时也是该研究报告的第一作者Philip Kellman表示， “对付人工智能，我们的态度是还须要再等等。
”他表示，机器视觉的缺陷显而易见。
在第一个实验中，他们向最好的深度学习网络之一，VGG-19，展示了动物和物体的彩色图像。
但实际上，图片经由了一些修正，例如，高尔夫球的表面和茶壶组合在一起，斑马条纹和骆驼组合，乃至把大象和红蓝相间的菱形袜子图案结合在一起。
在40个工具中，VGG-19只选对了5个。

“欺骗这些人工智能系统切实其实小菜一碟，”研究报告的作者，加州大学洛杉矶分校生理学教授Lujing Lu如是说， “他们的学习机制远没有人类思维繁芜。
”

人工智能

在第二个实验中，研究员向VGG-19展示了玻璃雕像的图像，并加入了第二个深度学习网络AlexNet作为比拟。
这两个人工智能都利用名为ImageNet的图像数据库，而VGG-19在这次实验中的表现更好。

但事实上，两个网络都表现不佳，无法识别玻璃雕像。
VGG-19和AlexNet都没有精确地识别雕像，一个大象雕像被两个智能网络评为大象几率为0％。

在第三个实验中，研究职员向VGG-19和AlexNet展示了40幅玄色与白色图像，这三个实验旨在创造设备是否通过其形状识别物体。
在实验中，这些系统在识别诸如蝴蝶，飞机和喷鼻香蕉等物品方面做得很差。

在第四个实验中，研究职员向两个网络展示了40个纯玄色的图像。
对付玄色图像，这两个神经网络做得更好，精确率大约有50％。
例如，VGG-19认为算盘图案是算盘的概率为99.99％，大炮的概率为61％。
比较之下，VGG-19和AlexNet各自认为玄色轮廓的白色锤子是锤子的可能性不到1％。

研究职员认为这些网络在玄色物体方面做得更好，由于这些物品缺少Kellman认为人工智能不能识别的“内部轮廓” 。

在第五个实验中，研究职员对图像进行了滋扰，使其难以识别，但它们保留了一些物体的形状。
研究职员选择了VGG-19最初识别的六张图像，并对它们进行了处理。
人类都很难辨认这些图案，但 VGG-19识别出了六张图片中的五张，并且第六张的答案非常靠近精确答案。

作为第五个实验的一部分，除了VGG-19之外，研究职员还测试了加州大学洛杉矶分校的本科学生。
他们向十逻辑学生展示了玄色轮廓的物体，他们之中一些人无法辨认这些物体，还有些人只花了一秒就辨认出了这些物体。
通过这些实验，研究职员得出了什么结论？

人类看到全体物体，而人工智能网络识别物品的一些细节。
“这项研究表明，人工智能系统看重于细节而不考虑形状，” Kellman表示，“对付人类而言，整体形状是物体识别的紧张形式，但是根据我们的研究结果来看，根据整体形状识别图像彷佛根本不在这些深度学习系统中。
”

目前已经涌现了很多深度学习系统，而研究职员认为他们的研究结果广泛适用于这些系统。