多伦多约克大学今天发表的一项研究指出，人工智能并非无坚不摧，万试万能，在某些情况下会撞板。
有份发布调查的詹姆斯·埃尔德教授(Professor James Elder)说，即使是深度卷积神经网络 (DCNN) 不像人类那样看待物体——使用配置形状感知——这在现实世界的人工智能应用中可能是危险的。
发表在Cell Press期刊iScience上的文章指出，人工智能的深度学习模型，未能捕捉到人体形状感知的配置性质。
埃尔德教授指出:「我们的调查结果解释了，为什么深度AI模型在某些条件下会失败，并指出需要考虑物体识别之外的任务，以了解大脑中的视觉处理。」
他说:「这些深度模型在解决复杂的识别任务时往往会走‘捷径’。虽然这些捷径可能在许多情况下都有效，但在我们目前与行业和政府合作伙伴合作的一些现实世界，人工智能应用程序中，它们可能是危险的。」
此类应用之一是包括交通视频安全系统：「在繁忙交通场景中的物体，如车辆、单车和行人——相互阻碍，并以杂乱无章的零碎片段形式，去到司机的眼睛。」
他解释说:「大脑需要正确地对这些片段进行分组，能识别物体的正确类别和位置。反观AI只能单独感知片段式，用于交通安全监控的人工智能系统，将无法完成这项任务，这些可能会的误解，容易增加道路使用者的风险。」