0
自從 DALL-E 2 問世以來，很多人都認為，能夠繪制逼真圖像的 AI 是邁向通用人工智能（AGI）的一大步。OpenAI 的 CEO Sam Altman 曾在 DALL-E 2 發(fā)布的時候宣稱“AGI is going to be wild”，媒體也都在渲染這些系統(tǒng)對于通用智能進展的重大意義。
但真的是如此嗎？知名 AI 學者（給 AI 潑冷水愛好者） Gary Marcus 表示“持保留意見”。
最近，他提出，在評估 AGI 的進展時，關鍵要看像 Dall-E、Imagen、Midjourney 和 Stable Diffusion 這樣的系統(tǒng)是否真正理解世界，從而能夠根據這些知識進行推理并進行決策。
在判斷這些系統(tǒng)之于 AI （包括狹義和廣義的 AI）的意義時，我們可以提出以下三個問題：
圖像合成系統(tǒng)能否生成高質量的圖像？
它們能否將語言輸入與它們產生的圖像關聯起來？
它們了解它們所呈現出的圖像背后的世界嗎？
在第一個問題上，答案是肯定的。區(qū)別只在于，在用 AI 生成圖像這件事兒上，經過訓練的人類藝術家能做得更好。
在第二個問題上，答案就不一定了。在某些語言輸入上，這些系統(tǒng)能表現良好，比如下圖是 DALL-E 2 生成的“騎著馬的宇航員”：
但在其他一些語言輸入上，這些 AI 就表現欠佳、很容易被愚弄了。比如前段時間 Marcus 在推特上指出，這些系統(tǒng)在面對“騎著宇航員的馬”時，難以生成對應的準確圖像：
盡管深度學習的擁護者對此進行了激烈的反擊，比如 AI 研究員 Joscha Bach 認為“Imagen 可能只是使用了錯誤的訓練集”，機器學習教授 Luca Ambrogioni 反駁說，這正表明了“Imagen 已經具有一定程度的常識”，所以拒絕生成一些荒謬的東西。
還有一位谷歌的科學家 Behnam Neyshabur 提出，如果“以正確的方式提問”，Imagen 就可以畫出“騎著宇航員的馬”：
但是，Marcus 認為，問題的關鍵不在于系統(tǒng)能否生成圖像，聰明的人總能找到辦法讓系統(tǒng)畫出特定的圖像，但這些系統(tǒng)并沒有深刻理解語言與圖像之間的關聯，這才是關鍵。
不知道自行車輪子是啥
系統(tǒng)對語言的理解還只是一方面，Marcus 指出，最重要的是，判斷 DALL-E 等系統(tǒng)對 AGI 的貢獻最終要取決于第三個問題：如果系統(tǒng)所能做的只是以一種偶然但令人驚嘆的方式將許多句子轉換為圖像，它們可能會徹底改變人類藝術，但仍然不能真正與 AGI 相提并論，也根本代表不了 AGI。
讓 Marcus 對這些系統(tǒng)理解世界的能力感到絕望的是最近的一些例子，比如平面設計師 Irina Blok 用 Imagen 生成的“帶有很多孔的咖啡杯”圖像：
正常人看了這張圖都會覺得它違反常識，咖啡不可能不從孔里漏出來。類似的還有：
“帶有方形輪子的自行車”
“布滿仙人掌刺的廁紙”
說“有”容易說“無”難，誰能知道一個不存在的事物應當是什么樣？這也是讓 AI 繪制不可能事物的難題所在。
但又或許，系統(tǒng)只是“想”繪制一個超現實主義的圖像呢，正如 DeepMind 研究教授 Michael Bronstein 所說的，他并不認為那是個糟糕的結果，換做是他，也會這樣畫。
那么如何最終解決這個問題呢？Gary Marcus 在最近同哲學家 Dave Chalmers 的一次交談中獲得了新的靈感。
為了了解系統(tǒng)對于部分和整體、以及功能的認識， Gary Marcus 提出了一項對系統(tǒng)性能是否正確有更清晰概念的任務，給出文本提示“Sketch a bicycle and label the parts that roll on the ground”（畫出一輛自行車并標記出在地面上滾動的部分），以及“Sketch a ladder and label one of the parts you stand on”（畫出一個梯子并標記出你站立的部分）。
這個測試的特別之處在于，并不直接給出“畫出一輛自行車并標記出輪子”、“畫出一個梯子并標記出踏板”這樣的提示，而是讓 AI 從“地面上滾動的部分”、“站立的部分”這樣的描述中推理出對應的事物，這正是對 AI 理解世界能力的考驗。
但 Marcus 的測試結果表明，Craiyon（以前稱為 DALL-E mini）在這種事情上做得一塌糊涂，它并不能理解自行車的輪子和梯子的踏板是什么：
那么這是不是 DALL-E Mini 特有的問題呢？
Gary Marcus 發(fā)現并不是，在目前最火的文本生成圖像系統(tǒng) Stable Diffusion 中也出現了同樣的結果。
比如，讓 Stable Diffusion “畫一個人，并把拿東西的部分變成紫色”（Sketch a person and make the parts that hold things purple），結果是：
顯然，Stable Diffusion 并不理解人的雙手是什么。
而在接下來的九次嘗試中，只有一次成功完成（在右上角），而且準確性還不高：
下一個測試是，“畫出一輛白色自行車，并將用腳推動的部分變成橙色”，得到圖像結果是：
所以它也不能理解什么是自行車的腳踏板。
而在畫出“自行車的草圖，并標記在地面上滾動部分”的測試中，其表現得也并沒有很好：
如果文本提示帶有否定語，比如“畫一輛沒有輪子的白色自行車"，其結果如下：
這表明系統(tǒng)并不理解否定的邏輯關系。
即便是“畫一輛綠色輪子的白色自行車”這樣簡單的只關注部分與整體關系提示，而且也沒有出現復雜的語法或功能等，其得到的結果仍存在問題：
因此，Marcus 質問道，一個并不了解輪子是什么、或是它們的用途的系統(tǒng)，能稱得上是人工智能的重大進步么？
今天，Gary Marcus 還針對這個問題發(fā)出了一個投票調查，他提出的問題是，“Dall-E 和 Stable Diffusion 等系統(tǒng)，對它們所描繪的世界到底了解有多少？”
其中，86.1% 的人認為系統(tǒng)對世界的理解并不多，只有 13.9% 的人認為這些系統(tǒng)理解世界的程度很高。
對此，Stability.AI 的首席執(zhí)行官 Emad Mostique 也回應稱，我投的是“并不多”，并承認“它們只是拼圖上的一小塊?！?/span>
來自科學機構 New Science 的 Alexey Guzey 也有與 Marcus 類似的發(fā)現，他讓 DALL-E 畫出一輛自行車，但結果只是將一堆自行車的元素堆在一起。
所以他認為，并沒有任何能真正理解自行車是什么以及自行車如何工作的模型，生成當前的 ML 模型幾乎可以與人類媲美或取代人類是很荒謬的。
大家怎么看？
參考鏈接：https://garymarcus.substack.com/p/form-function-and-the-giant-gulf
雷峰網(公眾號：雷峰網)雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
