在過去的幾年中，人工智能(AI)工具(尤其是深度神經(jīng)網(wǎng)絡(luò))在許多任務(wù)上取得了顯著成果。但是，最近的研究發(fā)現(xiàn)這些計(jì)算技術(shù)具有許多局限性。在最近發(fā)表于《自然機(jī)器智能》上的一篇論文中，蒂賓根大學(xué)和多倫多大學(xué)的研究人員探索并討論了一種稱為“捷徑學(xué)習(xí)”的問題，該問題似乎是近年來發(fā)現(xiàn)的許多深度神經(jīng)網(wǎng)絡(luò)缺點(diǎn)的基礎(chǔ)。

進(jìn)行這項(xiàng)研究的研究人員之一羅伯特·蓋洛斯(Robert Geirhos)告訴TechXplore表示：“我決定與親愛的同事，我的朋友克勞迪奧·麥可利斯(Claudio Michaelis)一起在進(jìn)行與科學(xué)有關(guān)的旅行，著手進(jìn)行這個(gè)項(xiàng)目。” “我們首先參加了一次深度學(xué)習(xí)會(huì)議，然后參觀了一個(gè)動(dòng)物研究實(shí)驗(yàn)室，最后一次是人類視覺會(huì)議。令人驚訝的是，我們注意到在非常不同的環(huán)境中出現(xiàn)了相同的模式：“捷徑學(xué)習(xí)”或“作弊”出現(xiàn)了。成為人工智能和生物智能的共同特征。”

Geirhos和Michaelis認(rèn)為，他們觀察到的現(xiàn)象即快捷學(xué)習(xí)可以解釋許多深度神經(jīng)網(wǎng)絡(luò)的出色性能和標(biāo)志性故障之間的差異。為了進(jìn)一步研究這個(gè)想法，他們與其他同事合作，

研究人員各自以獨(dú)特的方式為研究做出了貢獻(xiàn)，并與他們的專業(yè)領(lǐng)域保持一致，從神經(jīng)科學(xué)到機(jī)器學(xué)習(xí)和心理物理學(xué)。他們的論文包括在機(jī)器和動(dòng)物中進(jìn)行快捷學(xué)習(xí)和作弊的示例，例如，深度神經(jīng)網(wǎng)絡(luò)的特定故障，以及在實(shí)驗(yàn)中“作弊”老鼠和在考試中作弊的學(xué)生。

蓋洛斯說：“我們希望我們的觀點(diǎn)能很好地介紹這個(gè)問題，并鼓勵(lì)采用更強(qiáng)大，更合適的測(cè)試方法來防止在將高級(jí)能力歸因于機(jī)器之前作弊。” “鑒于這篇文章是一種觀點(diǎn)，我們借鑒了眾多作者撰寫的許多精彩文章，每篇文章都為這一難題做出了貢獻(xiàn)。對(duì)我個(gè)人而言，重要的先驅(qū)是我在ICLR和VSS會(huì)議上提出的項(xiàng)目，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)中的紋理偏差-一種快捷學(xué)習(xí)的實(shí)例。”

捷徑學(xué)習(xí)一詞描述了機(jī)器嘗試識(shí)別最簡(jiǎn)單的解決方案或解決給定問題的“捷徑”的過程。例如，深度神經(jīng)網(wǎng)絡(luò)可以認(rèn)識(shí)到特定的紋理補(bǔ)丁或?qū)ο?例如汽車輪胎)的一部分通常足以使它們預(yù)測(cè)圖像中汽車的存在，并因此可以開始預(yù)測(cè)物體的存在。即使僅包含汽車輪胎，也可以在圖像中顯示汽車。