尽管当前AI的发展可能会从人脑的神经科学中获得一些启发，但是将AI处理信息的方式与人类处理信息的方式进行比较真的合适吗？

问题的答案取决于如何建立实验以及如何构建和训练AI模型，由于AI和人类做出此类决策的方式有所不同，因此从这种比较中得出的任何概括性结论可能都不是完全可靠的，特别是如果使用机器将关键任务自动化时，团队专注于分析与计算机视觉形成对比的人类视觉感知的机制，计算机视觉是研究领域，旨在开发机器“看到”并理解他们所看到的内容的方法，由于深层神经网络（DNNs）在人工智能领域已成为非常成功的，他们已经开始通过图像识别，直接影响到我们的生活中，自动机器翻译，精密医疗和许多其他应用程序。

鉴于这些现代人工算法与生物大脑之间的诸多相似之处

人眼与机器视觉的相似程度如何？我们可以通过学习机器视觉来理解人类的视觉吗？或相反：我们能否从人类视觉中获得见识，以改善机器视觉？所有这些问题促使这两个有趣的系统进行比较，比较这两个系统是发现如何构建人类级别的AGI的逻辑步，虽然比较研究可以增进我们的理解，但进行起来并不容易。两种系统之间的差异可能会使工作复杂化，并带来一些挑战。

为了突出比较机器和人类在复杂的识别任务中做出决定的方式时的严重缺陷

用于处理视觉数据的各种标准基准测试，即封闭轮廓检测，合成视觉推理测试和评估识别差距，首先使用闭合轮廓检测测试来查看深度学习，图像分类卷积神经网络，是否能够识别图像是否包含闭合形成闭合轮廓的线。人类可以很容易做到，初，该模型似乎能够像人类一样轻松识别带有硬边和曲线的闭合轮廓形状。

该模型未能在更改线宽或线颜色等参数时指示AI的人类水平性能一旦出现进一步的变化可能会降低

深度神经网络有时可能会发现感知力之外的意外解决方案人类的偏见，在这种情况下，人们可能很快得出结论，即机器学习了类似人类的概念，综合视觉推理测试”部分中，团队着手验证AI是否可以挑选出相同的形状（“不同任务”），并分析空间布置（“空间任务”），例如找到嵌套在其他形状内的形状，人类通常在两种任务上都做得很好，因为他们只需要学习一些示例，然后便能够将这些知识很好地概括并应用到将来的示例中。然而，令人惊讶的是，研究人员发现DNN在两种测试中均表现良好，这表明差异可能更多地源于如何训练神经网络，使用了多少训练数据以及它们的结构。

研究突显了很难得出有关已通过测试的体系结构和培训程序之外的潜在机制的一般结论的困难

使用被连续裁剪和放大的对象的图像，直到对象不再能够识别图像中的内容，换句话说，就是“识别间隙”，在测试人体时，识别差距很大，而使用机器的识别差距较小。但是，该团队选择通过使用搜索算法而不是人类研究人员选择的样本来测试DNN，而不是像其他研究那样通过人工测试DNN，从而在实验中增加了额外的变化。他们发现，小可识别作物和不可识别作物之间的AI识别差距与人类受试者的识别差距一样大，这表明必须一致设置测试条件才能正确比较两个系统。

人与机器之间的所有条件

指令和程序都应尽可能接近，以确保观察到的所有差异都是由于固有的决策策略而不是测试程序的差异所致，在比较机器和人类系统时，需要进行更精心设计的实验，并更好地理解人类偏见在进行此类比较中可能发挥的作用，我们所有案例研究的首要方面都是人为偏见：它们说明了我们自己的观点会在多大程度上扭曲实验的设计和解释，日常生活中的一个例子可能是我们倾向于迅速描述一种动物高兴或悲伤的趋势，仅仅因为它的面孔可能具有人类般的表情。

客服热线：400-050-6600

商业联合会数据分析专业委员会