我們都知道電腦會完全按照我們的要求去做，這點在神經網路的訓練也是如此，AI 會嘗試各種方法達成團隊設定的目標，然而史丹佛大學和 Google 團隊在 2017 年訓練 AI 轉換地圖的研究發現，如果表達不夠清楚，AI 也是會找到方法「偷吃步」達成目標。
2017 年的這項研究中，研究團隊開發出稱為 CycleGAN 的神經網路，希望透過大量訓練，讓 CycleGAN 學會有效準確地將地圖在「衛星地圖」和「街道地圖」間互相轉換。
訓練過程中，CycleGAN 的表現都非常好，甚至有些太好了──即使團隊要求 CycleGAN 從轉換完成的街道地圖重建衛星照片時，CycleGAN 也能「完美」做到，甚至一些在街道地圖消失的細節又平空冒出，這引起團隊的懷疑。
雖然我們難以深入了解 AI 神經網路的處理訊息過程，但團隊還是可以輕鬆審核生成的數據，透過一些實驗，他們終究發現 CycleGAN 究竟動了什麼手腳讓自己表現完美。
訓練 CycleGAN 轉換兩種地圖過程中，團隊目的是希望 AI 能解讀兩種地圖的任何一種特徵，並且將其與另一種地圖的正確特徵互相匹配，然而實際上 CycleGAN 被評分的關鍵是「衛星地圖與原始地圖有多接近」以及「街道地圖有多清晰」，而問題正出於此。
CycleGAN 並沒有達成團隊希望達成的目標，學會如何將一個地圖轉換為另一個。相反的，CycleGAN 學會的，是如何在評分時取得高分：透過將特徵巧妙編碼到另一張圖片，CycleGAN 讓衛星地圖的細節變成在街道地圖只有 AI 可見的「小抄」。
▲ （a）為來源圖片，（b）為 CycleGAN 製作的街道圖片，（c）是電腦展現的可視化細微差別，（d）為 CycleGAN 用街景圖重建的衛星圖片。（Source：arXiv via Stanford University and Google）
從（c）圖你可看到 CycleGAN 在街道地圖暗藏了和衛星地圖一樣的形狀，但除非這些差別仔細放大並突顯，人們永遠無法注意到，但這些人眼難以察覺的數千個微小顏色變化，電腦卻可以輕鬆偵測並使用。
事實上，電腦非常擅長將這些細節藏入街道地圖，CycleGAN 已學會將任何衛星地圖編碼成為任何街道地圖，它甚至不必知道相對街道地圖長得如何，研究人員證實，CycleGAN 可將衛星照片的所有數據無差別疊加在完全不同的街道地圖上。
將數據編碼到圖像的做法並不新鮮，這種技術稱為「隱寫術」（steganography），經常用於浮水印圖片或在相片加入拍攝的相機相關設定，但 AI 能找到方式創造自己的隱寫術，以另一種方式達到任務目標還是很新奇。
有些人可能會認為這顯示機器越來越聰明，然而事實上是，就像人類在一些情況下選擇「偷吃步」或「作弊」，這反而意味著 CycleGAN 並不夠聰明，正因為無法做到將這些複雜的圖像類型相互轉換，它取而代之找到一種人類難以察覺其中異樣的方式來達成任務。
可想見研究者未來將會以更嚴格的評估方式來避免這種情況，這也為我們提供一個觀點：與往常一樣，電腦完全按照人類的要求操作，因此在開口前，你最好非常非常具體了解自己要求了什麼。
在這種情況下，電腦選擇了一個有趣的解決方案，揭示了這類型的神經網路可能有的弱點，也就是如果沒有明確禁止這麼做，電腦基本上會找到一種方法將細節傳輸給自己，以便快速輕鬆解決特定問題。
（首圖來源：shutterstock）
