歐美研究第五十三卷第二期

286 歐美研究 的知覺系統。我們可以看到,人工智慧的發展也從抽象符號,步入 對人類感官系統的模擬。人工神經網絡是一種模仿生物神經系統功 能的數學計算模型。這類技術被廣泛運用在圖像辨識上 (Butz & Kutter, 2017: 60)。所謂的深度學習 (deep learning),是具有多層的 神經網絡計算模型,可以對資料進行「學習」。 但人工智慧仍然無法輕易成功辨識視覺上的整體。如何將眾多 不同的特徵掌握為一個整體,這樣的能力仍是人工智慧所缺乏的 (Butz & Kutter, 2017: 57)。在透過深度學習訓練人工智慧辨識圖片 時,會輸入大量的資料去進行函數計算。像是人工智慧學習了「停 止」的交通符號,但如果在學習過的圖片上,在關鍵處加上一些方 塊矩陣,一樣的照片會被辨識成完全另一種意思的「限速45」。或 者,某些凌亂的抽象圖紋會被解讀為具體的對象,像是企鵝,或是 海星 (圖1) (Heaven, 2019)。被訓練過的人工智慧仍很容易被欺騙 (Nguyen et al., 2014; Szegedy et al., 2014; Yosinski et al., 2015)。 相較於人工智慧的圖片辨識能力,人類生物性的知覺能力比人工智 慧要來得更穩定,同時也更靈活 (Newen et al., 2020):一方面,即 使狗的圖案在不同圖片上的形狀和樣貌都不同,我們仍可毫不費力 地辨別出是狗的類型;另一方面,又能將習得的類型多變地運用在 其他不同的特例上。即使是孩童,一旦認識了貓的類型,就可以運 用在不同大小、不同顏色的貓身上,甚至運用在卡通上。卡通圖案 的抽象以及與現實相離的誇張變化,也不影響孩童辨識出狗的類 型。除此之外,孩童的知覺能力也可以很快地辨別出狗和貓的不同。 像是維根斯坦 (Ludwig Wittgenstein) 提出的鴨兔圖 (rabbitduck illusion),人類可以自由地轉換不同的類型運用在這張圖上, 我們可以一會兒看成鴨,一會兒看為兔子。看成鴨的知覺中,細長 的柱狀圖形會被知覺為是嘴巴;在看成兔子的知覺中,同樣的線條

RkJQdWJsaXNoZXIy ODg3MDU=