研究揭示：人类关注意义，AI偏向视觉特征，二者物体感知方式存在显著差异

人类和人工智能（AI）在识别物体时有着不同的侧重点：前者更注重物体的意义，而后者则更多地依赖于视觉特征。这一差异被称为“视觉偏差”，意味着即使AI在某些行为上与人类相似，其决策过程也可能完全不同，这直接影响了我们对AI系统的信任度。 研究人员来自马克斯·普朗克人类认知和脑科学研究所，其中包括弗洛里安·马赫纳和马丁·赫伯特等人，他们通过一项大规模的研究揭示了这一现象。研究团队收集了约500万条公开的人类判断数据，涉及1,854种不同的物体图像。例如，参与者会被展示一张吉他、大象和椅子的图片，并被要求指出哪一个与其他两个不同。与此同时，研究团队让多个深度神经网络对相同的图像进行识别，收集了这些网络的相似性判断。 研究者们发现，在最初的观察中，深度神经网络所识别的关键特性似乎与人类非常接近。然而，经过更详细的对比分析，明显的差异逐渐显现。人类更倾向于根据物体的意义来做出判断，比如“这是什么”以及“我们知道关于它的一些背景信息”。相比之下，深度神经网络更多地依赖于视觉特性，如形状和颜色。 为了验证这些维度是否合理，科学家们使用了常见的神经网络解释技术。例如，如果一个维度包含了大量动物图像，它可能被称为“动物相关”维度。研究团队进行了多项严格的测试，包括检查网络使用的图像部分、生成符合特定维度的新图像以及操纵图像以去除某些维度。通过这些方法，他们确认了网络所识别的维度具有高度可解释性，但直接对比人类和网络的结果发现，网络只能近似地理解这些维度。例如，对于“动物相关”维度，许多动物图像并未被正确识别，同时一些非动物图像却被误认为属于该维度。 这项研究的重要性在于，它不仅揭示了人类和AI在处理信息时的根本差异，还为未来的研究提供了一种清晰的方法，可以直接比较人类与AI的决策方式。弗洛里安·马赫纳表示：“所有这些严格的测试都表明了非常可解释的维度，但标准技术无法发现人类和网络之间的细微差异。” 马丁·赫伯特补充说：“我们的研究方法有助于更好地理解AI如何解释世界，从而改进技术，同时为人类认知的发展提供宝贵的洞见。” 业内人士普遍认为，这一研究为理解AI和人类在感知和决策上的异同提供了新的视角。这项工作不仅有助于提高AI技术的可靠性和透明度，还可能推动认知科学领域的进一步研究。马克斯·普朗克人类认知和脑科学研究所是国际知名的科研机构，致力于探索人类大脑的工作原理和认知机制。