AI 人工智慧某些例子是否不像我們想得那麼聰明？某研究生團隊發表論文指出，他們深入研究幾十種譽為 AI 研究里程碑的資訊檢索演算法後發現，這些演算法並沒有宣稱的那麼具革命性。事實上，這些演算法使用的 AI 通常只是先前建立常式的細微調校。

根據麻省理工學院（MIT）助理研究員（Graduate Student Researcher）Davis Blalock 表示，團隊檢驗 81 種通常認為比早期研究成果更好的神經網路演算法之後，表示無法確認真有達到宣稱的任何改進。「檢視 50 篇論文後，很明顯的，我們甚至看不出有較先進的地方。」Blalock 表示。

AI 技術過去 10 年的最大進展歸功於如圖形處理器、電腦處理單元（CPU）和攝影機等硬體改進，促進複雜搜尋計畫、臉部辨識、攝影、語言翻譯和語音辨識的等比級數成長，並取得虛擬實境在更精彩視覺效果的突破性進展。當然，演算法改進也有幫助。

但麻省理工學院研究團隊卻表示，至少 AI 演算法某些改進虛假不實。例如，他們發現只要稍加調校長期建立的舊 AI 演算法，舊程序便能高效運作，甚至達到可與備受吹捧的「全新優化」程序並駕齊驅的程度。但在某些情況下，新 AI 模型的表現甚至還不如舊演算法。

一篇刊登在《科學》期刊並評估研究的文章，引用 2019 年某項對搜尋引擎使用資訊檢索演算法進行整合分析（Meta-Analysis）的研究結論，發現「評獲的高分實際上是在 2009 年（比 2019 年早 10 年）設定的」。2019 年另項研究複製了媒體串流服務採用的 7 種推薦系統。他們還發現，有 6 種演算法的表現甚至比幾年前開發且簡單的演算法還差，至少在早期技術經微調後的結果是如此，這更進一步揭露了「進步的假象」。

10 年來某些 AI 領域缺乏重大進展

Blalock 指出，用來比較演算法優劣的技術本身有不一致性，這使得某演算法優於另一種演算法的說法準確性有待商榷。根據某位 MIT 電腦科學家的說法指出，過去 10 年來，某些 AI 領域顯然缺乏重大進展，這很大程度得歸咎於無法適當比較與評估相互競爭的演算法。Blalock 博士研究生指導教授 John Guttag 表示：「古有明訓，如果無法評量某事，就很難讓事情變得更好。」

卡內基美隆大學（ Carnegie Mellon University）電腦科學家 Zico Kolter 推測，將自己的名字用在新演算法命名，遠比僅修補並調校已建立的較舊演算法會有更大的動機和社會回報。

Kolter 專門研究開發抵禦駭客所謂對抗攻擊（Adversarial Attack）的影像辨識模型。這類攻擊會採用經巧妙修改過的程式碼迴避系統安全防護機制。稱為投影梯度下降（Projected Gradient Descent，PGD）的早期方法，透過訓練 AI 系統區分真假範例碼來抵禦此類攻擊。這被認為是可靠的方法，但卻被更新、更好的協定取代。不過，Kolter 主導的研究員團隊發現，只要簡單調校舊 PGD 方法後，有效性與新方法相比幾乎沒有差別。

「很清楚的是，PGD 實際上就是最恰當不過的演算法，」Kolter 指出：「人們想尋求太過複雜的解決方案，一直都是顯而易見的人類通病。」

（首圖來源：shutterstock）