约翰斯·霍普金斯大学研究人员最近的一项研究表明，在准确描述和解释动态场景中的社交互动方面，人类的表现优于当前的人工智能模型。对于自动驾驶汽车和辅助机器人等严重依赖人工智能来安全导航真实环境的技术而言，这种能力至关重要。

研究表明，现有的人工智能系统在把握与人有效互动所必需的微妙社交动态和情境线索方面存在困难。此外，研究结果还表明，这一局限性可能从根本上源于当前人工智能模型的基础架构和基础设施。

“例如，自动驾驶汽车的AI需要识别人类驾驶员和行人的意图、目标和行为。你需要它了解行人即将朝哪个方向行走，或者两个人是在交谈还是即将过马路，”主要作者、约翰斯·霍普金斯大学认知科学助理教授莱拉·伊西克说，“任何时候，只要你想让AI与人类互动，你都希望它能识别出人们在做什么。我认为这揭示了这样一个事实：这些系统目前还做不到这一点。”

凯西·加西亚（Kathy Garcia）是此次研究中的论文共同第一作者，在研究进行时，她是伊斯克（Isik）实验室的一名博士生，她于4月24日在国际学习表征会议（International Conference on Learning Representations）上展示了此次的研究成果。

比较人工智能与人类感知

为了确定人工智能模型与人类感知相比如何，研究人员让人类参与者观看三秒钟的视频片段，并根据一到五分的标准对社会互动理解的重要特征进行评分。这些视频片段包括人们相互交往、并肩活动或各自独立活动。

随后，研究人员让 350 多个 AI 语言、视频和图像模型预测人类将如何评判这些视频以及他们的大脑在观看时会有何反应。对于大型语言模型，研究人员让 AI 评估人类编写的简短字幕。

在大部分问题上，与会者之间彼此意见一致；但人工智能模型，无论其规模大小或训练数据如何，均未达成一致。视频模型无法准确描述视频中人们的动作。即使向图像模型提供一系列静态帧以供分析，模型也无法可靠地预测人们是否在交流。语言模型更擅长预测人类行为，而视频模型更擅长预测大脑中的神经活动。

人工智能发展中的缺口

研究人员称，这一结果与人工智能在静态图像识别方面取得的成果形成了鲜明对比。

“仅仅看到图像并识别出物体和人脸是不够的。这是第一步，在人工智能的发展道路上，这一步让我们走了很远。但现实生活并不是静止的。我们需要人工智能理解场景中正在发生的故事。理解社会关系、背景和社交互动的动态是下一步，这项研究表明，在人工智能模型的开发中可能存在盲点，”加西亚说道。

研究人员认为，这是因为人工智能神经网络的灵感来源于大脑处理静态图像的部分的基础结构，而这部分结构与大脑处理动态社交场景的部分不同。

“其中有很多细微差别，但最重要的结论是，没有任何人工智能模型能够像处理静态场景那样，全面匹配人类大脑和行为对场景的反应，”伊西克表示。“我认为，这些模型缺少了一些人类处理场景方式的根本要素。”

会议：国际学习表征会议

资助方：美国国家科学基金会、美国国家科学基金会、美国国立卫生研究院/国家心理健康研究所

不要错过任何一项突破：订阅SciTechDaily新闻简报。