人工智慧現階段之技術探討及應用

摘要

人工智慧很容易被看似簡單且容易被人理解的圖像所欺騙，運用深度學習模型的機器具無法如一般人類，可藉由物件的輪廓輕易的判讀；對玻璃材質的物件，其判釋能力大幅下降；對整體型態完整但輪廓不清的物件卻能正確辨識等發現。

　　在數十年的發展下，人工智慧(artificial intelligence)已應用在包含農業在內的各個領域，其中又以開發具機器視覺(machine vision)，具深度學習(deep learning)功能的人工智慧最具挑戰性，如何讓機器透過機器學習(machine learning)的方式產生具有與人們相比擬的判釋能力是目前學研界致力研發的重點項目之一。為了解機器視覺在人工智慧中開發的進度及可能遇到的問題，美國加州大學洛杉磯分校(University of California, Los Angeles)的研究團隊針對圖像處理上最常使用的兩種卷積神經網路(Convolutional Neural Network)模型—AlexNet與VGG-19進行圖像辨識的測試，結果發現，現在的圖像辨識仍有值得改進之處。

　　加州大學洛杉磯分校的研究團隊分別透過五項對機器所進行的測驗，顯示人工智慧很容易被看似簡單且容易被人理解的圖像所欺騙。這五項測驗目的是為了找出機器視覺在判斷上的盲點。經測驗後，發現運用深度學習模型的機器具有以下特點，包括無法如一般人類，可藉由物件的輪廓輕易的判讀；對玻璃材質的物件，其判釋能力大幅下降；對整體型態完整但輪廓不清的物件卻能正確辨識等發現。對於這樣的研究結果，研究團隊認為，材質(texture)是影響神經網路模型的重要因素，與一般人類運用整體輪廓辨識物件的方是不同；另一方面，機器有效地判讀蓄意模糊輪廓的圖像的比例極高，也證實機器並非以物件輪廓作為主要演算依據。研究團隊發現，人類是藉整體視覺來分辨圖像，而人工智慧則是將物件拆分不同的片段進行取樣判讀，如何讓機器達到人類辨識物體的水準，仍有待科學家進一步研究。【延伸閱讀】運用人工智慧科技規劃地景生態拯救野生瀕危蜜蜂

　　該研究由美國國家科學基金會(National Science Foundation)資助，研究成果已發表至<PLOS Computational Biology>。

摘要

推薦文章