3月7日音訊，中國科學院自動化研討所曾毅研討員課題組研討發現，人工智能與人類尚有顯著認知差距：深度神經網絡對幻覺輪廓“視而不見”。

該課題組近日在（Cell Press）細胞出版社旗下期刊Patterns上發表了一篇題為“Challenging Deep Learning Models with Image Distortion based on the Abutting Grating Illusion”的新研討。他們基于人類和生物視覺系統中普遍存在的幻覺輪廓現象啟示，提出了一種將機器學習視覺數據集轉換成幻覺輪廓樣本的辦法，量化丈量了當前的深度學習模型對幻覺輪廓辨認才能，實驗結果證明從經典的到先進的深度神經網絡都難以像人一樣具有較好的幻覺輪廓辨認才能。

論文中提到，神經網絡和深度學習模型在過去十年中看似獲得宏大勝利，在許多給定的視覺任務中在指定方面超越了人類表現。但是，神經網絡的性能依然會隨著各種圖像扭曲和損壞而降低。一個十分極端的例子是對立攻擊，經過在圖片上施加人眼難以發覺的微擾，可以使神經網絡模型徹底失效。而人類的視覺系統在這些問題上具有高度魯棒性，闡明深度學習與生物視覺系統相比依然存在基本性缺陷。

論文第一作者中科院自動化所類腦認知智能課題組范津宇表示：“這項研討分離了認知科學和人工智能，提出了將傳統機器視覺數據集轉換成認知科學中的交織光柵幻覺圖像，初次對大量的公開預鍛煉神經網絡模型的幻覺輪廓感知才能停止量化丈量，并且從神經元動力學角度和行為學兩個角度檢驗深度學習和神經網絡模型對幻覺輪廓的感知。”

論文通訊作者中科院自動化所類腦認知智能課題組擔任人曾毅研討員說：“我們以為這項研討大的特性是從認知科學的角度檢驗和局部重新審視了當前看似勝利的人工神經網絡模型，并且證明人工神經網絡模型與人腦視覺處置過程依然存在著很大差距，這還只是人工智能與人類認知顯著間隔的冰山一角。大腦運作的機理和智能的實質將繼續啟示人工智能，特別是神經網絡的研討。如想從實質上獲得打破，人工智能需求自創并受自然演化、腦與心智的啟示，樹立智能的理論體系，這樣的人工智能才會有久遠的將來。”