鈦媒體注：本文來源于微信公眾號量子位（ID：QbitAI），作者：岳排槐、安妮，鈦媒體經(jīng)授權(quán)發(fā)布。
上面那張圖，畫的是鴨子還是兔子？
自從1892年首次出現(xiàn)在一本德國雜志上之后，這張圖就一直持續(xù)引發(fā)爭議。有些人只能看到一只兔子，有些人只能看到一只鴨子，有些人兩個都能看出來。
心理學(xué)家用這張圖證明了一件事，視覺感知不僅僅是人們看到了什么，也是一種心理活動。但是，這張圖到底應(yīng)該是什么？
上周四，有位學(xué)者決定讓沒有心理活動的第三方看一下。然后就把這張圖片給了谷歌AI，結(jié)果AI認(rèn)為78%的概率是一只鳥，68%的概率是一只鴨子。
所以，百年爭論可以歇了？鴨子派勝出？
不不不，新的爭論剛剛開始。
這下難倒了谷歌AI
上面那個結(jié)論剛出，就有人跳出來“抬杠”。
只要把這張圖豎起來給AI看，它認(rèn)為是一只兔子，壓根就沒有鴨子的事兒。
咦？谷歌AI反水了？
為了搞清楚這件事，供職于BuzzFeed的數(shù)據(jù)科學(xué)家Max Woolf設(shè)計了一個更復(fù)雜的實驗，他干脆讓這張圖旋轉(zhuǎn)起來，倒是要看看，谷歌AI什么表現(xiàn)。
就是這么一轉(zhuǎn)，成了推特上的熱門。
咱們以鴨子嘴（兔子耳朵）為參考，說下這個實驗的結(jié)果。過程如下所示。紅色代表兔子，藍色代表鴨子。
圖片順時針旋轉(zhuǎn)。谷歌AI最初認(rèn)為是鴨子，鴨子嘴指向9點方向。隨著鴨子嘴向上轉(zhuǎn)到10點方向，很快谷歌AI就認(rèn)為畫里面是兔子了，直到鴨子嘴轉(zhuǎn)到2點方向之后。此后一段時間，谷歌AI認(rèn)為既不是鴨子也不是兔子。一直到7點方向，谷歌AI再次肯定是一只鴨子。
有人說此刻谷歌AI的內(nèi)心，可能就像迪士尼動畫兔八哥里的這個場景。
還有人給了更多類似的挑戰(zhàn)圖片，想考驗一下谷歌AI的水平。
比如這種：
以及這種：
等等等等……據(jù)說能看出來鴨子，又能看出來兔子，說明一個人的想象力更好。
大家如果有興趣，可以自己去嘗試。
這里用到的谷歌AI，實際上是谷歌的Cloud Vision。這個服務(wù)提供了預(yù)訓(xùn)練的機器學(xué)習(xí)模型，可以用來理解圖片內(nèi)容。地址在此：
https://cloud.google.com/vision/
頁面上提供了Try the API，直接傳圖就行~
鴨兔幻覺
“鴨兔同圖”問題讓不少網(wǎng)友犯了難，這是一個比“雞兔同籠”更玄幻更有意思的問題。還有一大波人類，正常嘗試判斷AI的心理狀態(tài)……
網(wǎng)友sangnoir認(rèn)為，糾結(jié)圖中到底是什么完全沒有意義，圖像本身中既包含了兔子又包含了鴨子，人類尚且覺得兩者都在，何必非得讓AI去做“二選一”的定性呢？
下面這個數(shù)字大家都認(rèn)識，但是旋轉(zhuǎn)起來，到底是幾呢？
若旋轉(zhuǎn)起來，圖片是“6”還是“9”？
談到旋轉(zhuǎn)，更進一步，之前有個“旋轉(zhuǎn)舞者”的問題更困難，下面這個小人到底是順時針還是逆時針旋轉(zhuǎn)，人類的看法也兵分兩路↓↓↓
實際上，當(dāng)你視線以從左往右的方向掃過這張圖時，你看到的是逆時針轉(zhuǎn)圈，反之，當(dāng)你先看到的是右邊時，你眼中的她是順時針的。在計算機視覺上，還有一個專門的名詞解釋這個現(xiàn)象，即多穩(wěn)態(tài)/雙穩(wěn)態(tài)感知。
也有網(wǎng)友表示，這件事恰恰反映了AI識別物體的能力已經(jīng)高于人類了。
他認(rèn)為，之所以Google Cloud Vision會連續(xù)給出不同答案，是因為AI系統(tǒng)每隔一段時間就會基于旋轉(zhuǎn)的圖像重新判斷并實時更新。
而人類的大腦往往就卡在第一印象了，所以才會咬定一個物種不放松。
也有人表示，這件事也啟發(fā)了視覺從業(yè)者反思AI識別物體時的方向問題。
比如網(wǎng)友Sharlin就認(rèn)為，人類在判斷物體時對于空間的認(rèn)識具有先驗性，用這樣的標(biāo)注數(shù)據(jù)訓(xùn)練出的模型，在不知不覺中也將空間和方向等因素考慮在內(nèi)了。
但是，現(xiàn)在大多數(shù)視覺算法都想努力實現(xiàn)某種程度的旋轉(zhuǎn)不變性，還提出了“尺度不變特征轉(zhuǎn)化（SIFT）”等概念。“不變性”可能也反映了人類的局限性，輸入方向也是一個重要考慮因素。
膠囊網(wǎng)絡(luò)或許可行
同一張圖片，由于位置不同，AI就產(chǎn)生了不同的判斷。也有很多人想到了更多。
傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)CNN架構(gòu)中有個弊端，就是缺乏可用的空間信息。
一般來說，CNN提取、學(xué)習(xí)圖像特征來識別物體。拿面部識別任務(wù)來說，底層網(wǎng)絡(luò)學(xué)習(xí)一般性特征（比如面部輪廓等），隨著層數(shù)的加深，提取的特征就越復(fù)雜，特征也精細到眼睛、鼻子等器官。
問題來了，神經(jīng)網(wǎng)絡(luò)用它學(xué)習(xí)到的所有特征作出最后的輸出，但唯獨沒有考慮到可用的空間信息。人類可以識別出下面這張有些錯位的人臉，但CNN就不能。
其實，讓神經(jīng)網(wǎng)絡(luò)自己學(xué)會判斷空間的研究已經(jīng)有了。2017年，“深度學(xué)習(xí)”三巨頭之一的AI大牛Geoffrey Hitton就提出了一種“膠囊網(wǎng)絡(luò)”（Capsule Networks）的概念。
膠囊網(wǎng)絡(luò)的解決辦法是，實現(xiàn)對空間信息進行編碼，也就是計算物體的存在概率。這可以用向量來表示，向量的模代表特征存在的概率，向量方向表示特征姿態(tài)信息。
在論文Dynamic Routing Between Capsules中，Hinton和谷歌大腦的同事Sara Sabour、Nicholas Frosst詳細解釋了“膠囊網(wǎng)絡(luò)”的詳細情況。
Hinton等人表示，人類視覺系統(tǒng)中，有一個“注視點”的概念，能讓人類在視野范圍內(nèi)只對極小部分的圖像進行高分辨率處理。
這篇論文假設(shè)一個注視點帶給我們的信息不僅僅是一個識別對象及其屬性，還假設(shè)我們的多層視覺系統(tǒng)在每個注視點上都創(chuàng)建了一個類似分析樹的東西，并忽略這些分析樹在多個注視點之間如何協(xié)調(diào)。
分析樹通?？縿討B(tài)分配內(nèi)存來構(gòu)建，但是這篇論文假設(shè)對于單個注視點來說，分析樹是從固定多層神經(jīng)網(wǎng)絡(luò)中“雕刻”出來的，就像用石頭刻出雕像一樣。
神經(jīng)網(wǎng)絡(luò)的每一層會被分成很多組神經(jīng)元，每一組稱為一個capsule，而分析樹的每個節(jié)點對應(yīng)著一個活躍的“膠囊”。
膠囊是輸出是一個向量，這篇論文中，在保持它方向不變的情況下應(yīng)用非線性縮小了它的量級，確保這個非線性輸出不大于1。
也正因為膠囊的輸出是一個向量，確保了能使用強大的動態(tài)路由機制，來確保這個輸出能夠發(fā)送到上層合適的parent處。
膠囊網(wǎng)絡(luò)現(xiàn)在的研究階段，就像本世紀(jì)初將RNN應(yīng)用于語音識別的階段。有非常具有代表性的理由相信這是一個更好的方法，但很多細節(jié)還需要接續(xù)觀察。
想看“膠囊網(wǎng)絡(luò)”的具體信息，請戳量子位此前報道：
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論
左轉(zhuǎn)右轉(zhuǎn)，真的有趣，我已經(jīng)看半個小時了
標(biāo)題黨