摘要我们都知道电脑会完全按照我们的要求去做，这点在神经网络的训练也是如此，AI 会尝试各种方法达成团队设定的目标，然而史丹佛大学和 Google 团队在 2017 年训练 AI 转换地图的研究发现，如果表达不够清楚，AI 也是会找到方法捷径达成目标。

我们都知道电脑会完全按照我们的要求去做，这点在神经网络的训练也是如此，AI 会尝试各种方法达成团队设定的目标，然而史丹佛大学和 Google 团队在 2017 年训练 AI 转换地图的研究发现，如果表达不够清楚，AI 也是会找到方法捷径达成目标。

这项研究中，研究团队开发出称为 CycleGAN 的神经网络，希望透过大量训练，让 CycleGAN 学会有效准确地将地图在卫星地图和街道地图间互相转换。

2017 年的这项研究中，研究团队开发出称为 CycleGAN 的神经网络，希望透过大量训练，让 CycleGAN 学会有效准确地将地图在卫星地图和街道地图间互相转换。

训练过程中，CycleGAN 的表现都非常好，甚至有些太好了──即使团队要求 CycleGAN 从转换完成的街道地图重建卫星照片时，CycleGAN 也能完美做到，甚至一些在街道地图消失的细节又平空冒出，这引起团队的怀疑。

虽然我们难以深入了解 AI 神经网络的处理讯息过程，但团队还是可以轻松审核生成的数据，透过一些实验，他们终究发现 CycleGAN 究竟动了什么手脚让自己表现完美。

训练 CycleGAN 转换两种地图过程中，团队目的是希望 AI 能解读两种地图的任何一种特徵，并且将其与另一种地图的正确特徵互相匹配，然而实际上 CycleGAN 被评分的关键是卫星地图与原始地图有多接近以及街道地图有多清晰，而问题正出于此。

CycleGAN 并没有达成团队希望达成的目标，学会如何将一个地图转换为另一个。相反的，CycleGAN 学会的，是如何在评分时取得高分：透过将特徵巧妙编码到另一张图片，CycleGAN 让卫星地图的细节变成在街道地图只有 AI 可见的小抄。

从（c）图你可看到 CycleGAN 在街道地图暗藏了和卫星地图一样的形状，但除非这些差别仔细放大并突显，人们永远无法注意到，但这些人眼难以察觉的数千个微小颜色变化，电脑却可以轻松侦测并使用。

事实上，电脑非常擅长将这些细节藏入街道地图，CycleGAN 已学会将任何卫星地图编码成为任何街道地图，它甚至不必知道相对街道地图长得如何，研究人员证实，CycleGAN 可将卫星照片的所有数据无差别叠加在完全不同的街道地图上。

将数据编码到图像的做法并不新鲜，这种技术称为隐写术（steganography），经常用于浮水印图片或在相片加入拍摄的相机相关设定，但 AI 能找到方式创造自己的隐写术，以另一种方式达到任务目标还是很新奇。

有些人可能会认为这显示机器越来越聪明，然而事实上是，就像人类在一些情况下选择偷吃步或作弊，这反而意味著 CycleGAN 并不够聪明，正因为无法做到将这些复杂的图像类型相互转换，它取而代之找到一种人类难以察觉其中异样的方式来达成任务。

可想见研究者未来将会以更严格的评估方式来避免这种情况，这也为我们提供一个观点：与往常一样，电脑完全按照人类的要求操作，因此在开口前，你最好非常非常具体了解自己要求了什么。

在这种情况下，电脑选择了一个有趣的解决方案，揭示了这类型的神经网络可能有的弱点，也就是如果没有明确禁止这么做，电脑基本上会找到一种方法将细节传输给自己，以便快速轻松解决特定问题。