Зрение человека и машины: как мы и ИИ различаем образы

Автор: Денис Аветисян

Новое исследование сравнивает стратегии визуальной классификации у людей и искусственного интеллекта, выявляя ключевые различия в подходах к распознаванию объектов.

Пока крипто-инвесторы ловят иксы и ликвидации, мы тут скучно изучаем отчетность и ждем дивиденды. Если тебе близка эта скука, добро пожаловать.

Купить акции "голубых фишек"

Модель, рассматривающая зрительное восприятие и процесс принятия решений, выявляет биологические и вычислительные аналогии между областями мозга и искусственными нейронными сетями, демонстрируя общие принципы обработки информации и формирования ответа, основанные на параллельной обработке и иерархической структуре $f(x) = \sum_{i=1}^{n} w_i x_i + b$.

Анализ когнитивных механизмов человеческой маркировки изображений и возможностей нейро-символической интеграции для создания более гибкого и эффективного ИИ.

Несмотря на успехи в области машинного зрения, механизмы, лежащие в основе визуальной категоризации у человека и искусственного интеллекта, остаются существенно различающимися. Данное исследование, озаглавленное ‘Visual Categorization Across Minds and Models: Cognitive Analysis of Human Labeling and Neuro-Symbolic Integration’, посвящено сравнительному анализу стратегий распознавания образов у людей и нейронных сетей, особенно при работе с нечеткими изображениями. Полученные данные свидетельствуют о том, что люди активно используют аналогичное мышление и опираются на телесный опыт, в то время как ИИ склонен к анализу на основе признаков. Возможно ли создание более «человекоподобных» систем искусственного интеллекта посредством интеграции нейро-символических подходов, способных к объяснению и когнитивному выравниванию?

Разоблачение зрения: Пределы современных подходов

Несмотря на значительный прогресс в области визуальной классификации, современные системы искусственного интеллекта часто испытывают трудности с пониманием изображений на тонком, нюансированном уровне, уступая в надежности человеческому зрению. В то время как алгоритмы демонстрируют впечатляющие результаты на стандартных наборах данных, их способность к обобщению и адаптации к новым, непредсказуемым ситуациям остается ограниченной. Эта хрупкость проявляется в чувствительности к незначительным изменениям в изображении, таким как освещение или угол обзора, которые легко преодолеваются человеком. В отличие от систем, оперирующих статистическими закономерностями, человеческое зрение опирается на сложный контекстуальный анализ и предварительные знания, что позволяет интерпретировать изображения с высокой степенью гибкости и устойчивости к шумам и искажениям.

Несмотря на значительные успехи в области машинного зрения, современные глубокие нейронные сети, такие как ResNet-18, демонстрируют ограниченное понимание изображений, оставаясь своего рода “черными ящиками”. Так, на стандартном наборе данных CIFAR-10, состоящем из изображений небольшого разрешения, данная модель достигает точности около 70.7% при тестировании. Эта цифра, хотя и впечатляет в контексте автоматизированной классификации, существенно уступает результатам, показываемым человеком — участники экспериментов успешно классифицировали все изображения из этого набора. Причина кроется в том, что существующие алгоритмы, в отличие от человеческого зрительного восприятия, фокусируются преимущественно на распознавании паттернов, не раскрывая лежащие в основе принципы принятия решений и лишены способности к контекстуальному анализу.

Основная сложность в создании искусственного интеллекта, способного к полноценному зрению, заключается в воспроизведении многоуровневой обработки информации, характерной для человеческой зрительной системы. В отличие от современных алгоритмов, которые часто ограничиваются простым распознаванием образов, мозг человека анализирует визуальные данные на нескольких уровнях, учитывая контекст, взаимосвязи и предыдущий опыт. Это позволяет людям безошибочно классифицировать даже сложные изображения — например, в тесте с набором данных CIFAR-10, где участники-люди демонстрируют 100%-ную точность, в то время как передовая модель ResNet-18 достигает лишь приблизительно 70.7%.

Экспериментальная установка предполагает одновременную обработку одного и того же изображения как моделью глубокого обучения, предсказывающей метку на основе иерархических признаков, так и человеком, чьи ответы анализируются по критериям уверенности, стратегии, эмоций и доверия.

Архитектура Марра и пайплайн визуального искусственного интеллекта

Трехуровневый анализ Марра, включающий вычислительный, алгоритмический и реализационный уровни, представляет собой эффективный инструмент для детального изучения процессов визуальной обработки. Вычислительный уровень определяет что должно быть выполнено — например, обнаружение границ или распознавание объектов. Алгоритмический уровень описывает как эта задача решается, определяя конкретные шаги и методы, используемые для достижения результата. Наконец, реализационный уровень касается физической или аппаратной реализации алгоритма, включая нейронные структуры или программный код. Применение этой иерархической структуры позволяет разделить сложный процесс визуального восприятия на отдельные, более управляемые компоненты для анализа и моделирования.

И человеческая зрительная система, и современные глубокие нейронные сети используют извлечение признаков (feature extraction) для идентификации ключевых характеристик изображения. Однако, способы реализации этого процесса существенно различаются. В биологических системах извлечение признаков происходит посредством сложной иерархии нейронов в зрительной коре, где признаки обрабатываются параллельно и распределённо. В нейронных сетях, напротив, извлечение признаков осуществляется посредством последовательных слоев искусственных нейронов, обучаемых на больших наборах данных. Ключевое различие заключается в архитектуре и механизмах обучения: биологические системы полагаются на эволюционно заданные связи и адаптацию, в то время как нейронные сети используют алгоритмы обратного распространения ошибки для оптимизации весов связей между нейронами.

Распознавание форм является основополагающим элементом извлечения признаков в системах компьютерного зрения. Идентификация объектов базируется на анализе их геометрических характеристик, таких как углы, кривые и пропорции. Этот процесс позволяет выделить ключевые признаки, необходимые для различения объектов, даже при изменении условий освещения, масштаба или ориентации. Извлечение признаков, основанное на распознавании форм, применяется в широком спектре задач, включая обнаружение объектов, классификацию изображений и отслеживание движения. Эффективность алгоритмов извлечения признаков напрямую зависит от точности и надежности распознавания базовых геометрических форм.

Глубокая свёрточная нейронная сеть выполняет классификацию изображений, используя softmax для определения категории и CAM для визуализации процесса принятия решений.

Соединение разрозненного: К нейро-символическому искусственному интеллекту

Ограничения чисто коннекционистских подходов, таких как глубокие нейронные сети, проявляются в их неспособности к обобщению знаний за пределы тренировочных данных и сложностях с объяснением принимаемых решений. Глубокие нейронные сети, хотя и демонстрируют высокую эффективность в задачах распознавания образов, часто требуют огромных объемов размеченных данных и уязвимы к небольшим изменениям во входных данных (так называемые «состязательные примеры»). Отсутствие явного представления знаний и механизмов логического вывода ограничивает их способность к решению задач, требующих абстрактного мышления и переноса знаний. Это создает необходимость в интеграции с символьными системами, позволяющими представлять знания в явном виде и осуществлять логический вывод, что и является целью нейро-символической интеграции.

Комбинирование статистических представлений, основанных на связи (connectionist representations), с явным символьным рассуждением позволяет создавать системы искусственного интеллекта, обладающие как высокой производительностью, так и возможностью интерпретации результатов. Connectionist representations, такие как нейронные сети, эффективно извлекают закономерности из данных, но часто лишены возможности объяснять свои выводы. В свою очередь, символьное рассуждение, использующее формальную логику и правила, обеспечивает прозрачность и возможность проверки логических цепочек. Интеграция этих двух подходов позволяет сочетать сильные стороны каждого, создавая системы, способные не только решать сложные задачи, но и предоставлять объяснения своих решений, что критически важно для доверия и применения в критически важных областях, таких как медицина и финансы.

Интеграция нейро-символического подхода позволяет системам искусственного интеллекта выходить за рамки простого распознавания объектов, осуществляя анализ их взаимосвязей и контекстуальной значимости. В отличие от традиционных нейронных сетей, которые оперируют статистическими закономерностями, нейро-символические системы способны к логическому выводу и представлению знаний в явном виде. Это позволяет им не только идентифицировать объекты на изображении или в тексте, но и понимать, как эти объекты связаны друг с другом и какое значение они имеют в конкретной ситуации, что приближает их к принципам человеческого когнитивного мышления и обеспечивает более надежные и интерпретируемые результаты.

Исследование проводилось на наборе из десяти изображений CIFAR-10, а визуализация Grad-CAM и таблица предсказаний ResNet-18 демонстрируют процесс анализа и оценки точности модели.

Человеческое и машинное рассуждение: Сравнительный анализ

В процессе интерпретации изображений люди не ограничиваются анализом только исходных данных. Значительную роль играет аналогическое мышление — способность устанавливать связи между текущим изображением и ранее полученным опытом, а также учет контекста, в котором представлено изображение. Это означает, что люди способны распознавать объекты и сцены, даже если они частично скрыты, зашумлены или представлены в необычном ракурсе, опираясь на общие закономерности и знания о мире. В отличие от систем машинного обучения, которые часто полагаются на статистическую значимость признаков, люди используют интуицию и здравый смысл, что позволяет им делать выводы, выходящие за рамки прямого анализа пикселей.

Концепция “ограниченной рациональности” предполагает, что люди в процессе принятия решений используют эвристические методы и стратегии “достаточного” решения (“satisficing”), а не стремятся к абсолютно оптимальному варианту. Это означает, что при классификации или интерпретации данных, люди часто полагаются на упрощенные правила и быстро принимают решения, которые являются “достаточно хорошими” для данной ситуации, вместо того чтобы проводить полный и исчерпывающий анализ. Применение эвристик и стратегий “satisficing” оказывает влияние на уверенность в принятых решениях, поскольку полный анализ мог бы выявить дополнительные факторы или нюансы, влияющие на результат.

Анализ оценок уверенности, предоставляемых людьми при разметке данных, в сочетании с визуализацией процесса принятия решений искусственным интеллектом с использованием инструментов вроде Grad-CAM, позволяет выявить различия в подходах к рассуждениям. В ходе исследований, средние оценки уверенности участников-людей варьировались от 4.42 до 4.92 (по шкале от 1 до 5), при стандартном отклонении от 0.29 до 0.53. Данные показатели свидетельствуют о высокой степени согласованности суждений людей при выполнении задачи разметки.

Воплощенное познание и будущее визуального искусственного интеллекта

Концепция воплощенного познания предполагает, что зрительное восприятие человека не является пассивной обработкой визуальной информации, а глубоко связано с телесным опытом и взаимодействием с окружающей средой. Зрительная система формируется и функционирует в тесной связи с двигательными навыками, сенсорными ощущениями и даже эмоциональными реакциями. Понимание этого принципа открывает новые возможности для создания искусственного интеллекта, способного к более реалистичному и эффективному визуальному анализу. Вместо простого распознавания объектов, подобные системы смогут “понимать” визуальный мир, учитывая контекст, перспективы и потенциальные взаимодействия, подобно тому, как это делает человек, использующий своё тело и опыт для интерпретации изображений и навигации в пространстве.

Исследования в области распределенного познания демонстрируют, что человеческие когнитивные способности не ограничиваются мозгом, а активно используют внешние инструменты и контекстуальную информацию для расширения возможностей восприятия и обработки данных. Люди постоянно взаимодействуют с окружающей средой, используя предметы, записи и даже других людей как расширение собственной памяти и интеллектуальных ресурсов. Этот процесс позволяет эффективно решать сложные задачи, перекладывая часть когнитивной нагрузки на внешние системы и освобождая ресурсы мозга для более абстрактного мышления. Понимание принципов распределенного познания открывает новые перспективы для разработки искусственного интеллекта, способного не только распознавать изображения, но и активно использовать внешние данные и инструменты для более глубокого понимания окружающего мира и эффективного взаимодействия с ним.

Современные системы искусственного интеллекта, основанные на анализе изображений, часто ограничиваются пассивным распознаванием объектов. Однако, опираясь на принципы воплощенного и распределенного познания, исследователи стремятся создать качественно новый тип ИИ, способный не просто видеть, но и активно понимать визуальный мир, взаимодействуя с ним подобно человеку. Вместо анализа изолированных изображений, такие системы будут учитывать контекст, физические свойства объектов и потенциальные действия, которые с ними связаны. Это позволит им не только идентифицировать предмет, но и прогнозировать его поведение, планировать действия и решать сложные задачи, требующие понимания причинно-следственных связей и физических ограничений, что значительно приблизит искусственный интеллект к человеческому уровню когнитивных способностей.

Исследование демонстрирует, что визуальная категоризация человеком не сводится к простому анализу признаков, а включает в себя аналоговое мышление и опору на воплощенный опыт. Этот подход, как показывает работа, существенно отличается от стратегий, используемых современными моделями машинного обучения. В связи с этим, особенно ценным представляется стремление к нейро-символической интеграции, позволяющей объединить сильные стороны обоих подходов. Как однажды заметил Андрей Колмогоров: «Математика — это искусство видеть закономерности в хаосе». Данное высказывание отражает суть работы, направленной на выявление закономерностей в процессе визуального восприятия, как у человека, так и у искусственного интеллекта, с целью создания более эффективных и гибких систем.

Куда двигаться дальше?

Настоящая проверка предложенных сопоставлений человеческого и искусственного интеллекта кроется не в достижении формального соответствия результатов классификации, а в понимании принципиальных различий в подходах. Выявленная склонность человека к аналогиям и опоре на телесный опыт — это не просто “особенности”, а фундаментальные аспекты когнитивной архитектуры. Игнорирование этих аспектов в погоне за «человекоподобностью» искусственного интеллекта — это оптимизация без анализа, самообман и ловушка для неосторожного разработчика.

Очевидным следующим шагом является разработка более строгих метрик оценки, способных улавливать не только «что» классифицировано, но и «как». Достаточно ли простого увеличения точности, если алгоритм при этом лишен способности к обобщению, основанному на аналогиях? Требуется перейти от оценки производительности к оценке когнитивной правдоподобности. Более того, необходимо углубить исследования в области нейро-символической интеграции, стремясь к созданию систем, способных не просто «узнавать» объекты, но и «понимать» их в контексте.

Наконец, стоит признать, что полное воспроизведение человеческого интеллекта — задача, возможно, недостижимая, и, возможно, нежелательная. Гораздо более плодотворной представляется разработка гибридных систем, сочетающих в себе сильные стороны как искусственного, так и естественного интеллекта, создавая инструменты, расширяющие человеческие возможности, а не заменяющие их.

Оригинал статьи: https://arxiv.org/pdf/2512.09340.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-12-11 08:46