IT之家 3 月 4 日音讯，据 Phys 报说念，揣度东说念主员示意，哄骗东说念主工智能识别野无邪物的作念法，暴显现一场潜在的“迁徙性危机”。AI 成像系统的营销宣传时时声称，模子能像东说念主类不雅察者相同，收缩草率不同生态系统和环境中的全新场景。但在一篇新论文中，埃克塞特大学的两位揣度东说念主员指出，这一说法开拓在“失实假定”之上。他们以物种识别和医学会诊成像为例对此进行了施展。

这篇发表在《大师科学藏书楼 · 生物学》（PLOS Biology）期刊上的论文题为《生物学中的深度学习正濒临一场迁徙性危机》。

揣度东说念主员称，尽管 AI 模子在其磨真金不怕火环境中阐扬牢固可靠，但这种后果少许能迁徙到新的场景，导致其泛化能力难以展望。

埃克塞特大学康沃尔郡彭林校区环境与可抓续发展揣度所的托马斯 · 奥谢-惠勒博士示意：“中枢论断是，尽管被视为‘黄金圭臬’，但性能基准（用于评估 AI 的测试）并不成可靠响应 AI 模子的真是能力。咱们看到大齐声称在极当年场景下对比最新 AI 模子与东说念主类能力的说法。有关词，这些论断齐来自数据集上的性能测试，而这些数据时时无法迁徙到施行任务中。用库存图片磨真金不怕火出来的猫咪识别模子，在测试其他猫咪库存图时阐扬考究，但这无法转变为田园环境下灵验的猫咪检测。危机在于，这类频繁由疏漏图像类别组成的基准方向，正被用来夸大模子的性能和泛化能力。”

来自生态与保护中心的凯蒂 · 默里补充说念：“以野无邪物识别为例，你最终可能获得一个阐扬并不好、却对我方的论断显得特殊自信的系统。简短来说，AI 在处分从未见过的事物时会很尽力，但它不一定会向用户抒发这一丝。”

奥谢-惠勒博士指出，问题并非出在手艺自己，而在于它的使用样貌，“AI 不错极为雄壮，但场景是枢纽 —— 模子必须在真是使用场景中收受评估，不然后续可能激发严重问题。在生态学中，这给物种监测和保护职责带来挑战；而在医学等范畴，后果可能更为严重。约略最危机的一丝是，当模子失效时，时时要比及形成当年耗费后才会被发现。”

揣度东说念主员敕令，在解读性能方向时应保抓严慎，并更多摄取能让模子在真是应用中快速测试的器具。

IT之家预防到赌钱app下载，针对基准测试这一更当年的问题，他们以为，不应使用这些方向来评估模子的泛化性能。奥谢-惠勒博士补充说：“就当今情况而言，评估一个 AI 模子后果怎样的独一可靠技艺，即是在你的具体使用场景中对它进行骨子测试。”