文／朱玉昌

人類看著一張照片時，通常不只是接收畫面，如看見一隻貓，不只知道那是一種動物，也會聯想到牠可能會跳、會叫、會害怕陌生環境，甚至可能想起自己曾經養過的貓。這種辨識，包含了記憶、經驗、情感與對現實世界的理解。

AI處理影像的方式，與人類有極大的差異，對AI而言，照片不是畫面，它只是一堆數字排列。亦即，一張照片被存入電腦裡，人類看到的是人物、天空和街道，但AI接收的，是一格一格細小的像素數，每格像素，代表著不同亮度跟顏色，如紅色多少？綠色多少？藍色多少？最後，整張圖片會變成一大片數字矩陣。因此，AI分析的，是數值之間的關係。

辨識數值非理解意義

這也是為何現在許多人口中說的「AI看懂圖片」，很容易讓人產生誤解，因為AI並不像人類那樣產生真正的視覺經驗，它所做的，是在龐大數值裡尋找規律。

如果把人類觀看世界的過程，比喻成閱讀一段故事，那麼AI是接近於分析拼圖碎片之間反覆出現的排列方式。它不知道世界真正長什麼樣子，它只是發現，某些線條、顏色和形狀，經常與特定標籤同時出現。

知其物卻不知是生命

例如在大量狗的圖片裡，有些耳朵輪廓可能經常出現，一些毛髮紋理也可能反覆出現，某些鼻子的形狀跟位置，也可能與狗這個詞存在高度相關。經過大量訓練後，AI會逐漸建立一套統計關係，當類似特徵再次大量出現時，它就會提高判斷為狗的機率。

關鍵在於，它並不知道什麼是真正的狗。它沒有與生命互動的經驗，也不知道動物會疼痛、會奔跑、會衰老，更無法理解生命存在的意義。它所學到的，其實只是大量資料中的規律與相關性，這就是影像辨識最核心的一件事，AI擅長的，是從海量數據裡快速找出重複模式，但模式並不等同於理解。

人憑模糊經驗判斷準

人類在辨識事物時，即使畫面模糊、角度改變、光線昏暗，仍可依靠生活經驗做出判斷。如只看見朋友的背影，人類往往就能認出對方；或只聽到腳步聲，就能知道某人正在靠近。但AI的判斷，很多時候依賴的是資料中某些極細微的特徵。

研究人員曾發現，只要稍微修改圖片中的部分像素，即使人類肉眼幾乎察覺不到差異，AI的判斷結果仍可能完全改變。一張原本清楚的貓熊照片，在加入細微雜訊後，人類依然知道那是貓熊，但AI卻可能突然判定成其他毫不相關的物體。

AI精確解析卻易誤判

這種現象，被稱為「對抗樣本」。它揭露了一件十分重要的事，AI抓取的重點，與人類理解世界的方法並不相同。

很多時候，人類在意的是整體概念與真實經驗；AI依循的，可能是某些人類根本不會注意的小特徵。一旦那些特徵受到干擾，系統便可能出現誤判。這也是為什麼，生成式AI常會出現一些看似合理，卻又怪異的「視覺幻覺」畫面。

這裡所指的幻覺，是指AI在統計推論中，出現與人類認知不同的結果，好比AI生成的人物像，會出現多出來的手指、扭曲的牙齒，或不合理的物體結構、胡亂編造出一些字詞……

生成圖逼真卻不合理

究其原因不是AI故意畫錯，是它完全不知人體真正的結構與運作，它沒有骨骼概念，不知道關節如何連接，它只是從龐大影像資料中學到，像手的特徵一般長什麼樣子。當圖片角度變得複雜，或訓練數據混亂，它便可能把不同特徵作錯誤拼接，最後形成看似逼真卻不合理的結果。

換句話說，人類畫家知道五根手指為何能活動，也知道手掌如何支撐物體；AI則不知道什麼叫作手，它只是從統計中算出最像手的視覺排列方式。

不知滾球小孩有關聯

同樣的問題，也會出現在自動駕駛領域。當人類駕駛看見一顆球滾到馬路中央，通常會立刻減速，因為人類知道，球後面可能會有小孩突然衝出來。這種判斷，不只是辨識球體，還結合了生活經驗、因果推論與對世界的理解。

但對AI來說，滾球與可能有小孩跑出來之間，並不存在天然連結，除非它曾在大量資料中學過這類情境，否則它未必能自然推論後續可能發生的事情。

人和AI各具擅長點

這也讓人們逐漸理解，目前AI最強大的地方，主要集中在高速計算與大規模模式分析，它能在極短時間內分析數百萬張圖片，持續修正錯誤，並逐步提升辨識準確率，它不會疲倦，不會因情緒波動而分心，只要持續提供更多資料與運算資源，系統就可以不斷優化。反之，人類雖然擁有高度理解能力，卻難以在短時間內處理如此龐大的資訊量。

因此，人類與AI，正在發展兩種截然不同的能力方向。人類擅長從經驗中理解世界，能在不完整資訊中進行推論，也能把感受、記憶和現實連結；AI則擅長從海量資料裡快速找出規律，透過龐大運算來提高準確率，這兩種能力，表面上看似接近，但本質上，仍然存有很大的差異。

存在著限制與脆弱性

理解這一點，就是今天學習AI時非常重要的一件事，因為當人類開始過度相信AI已經真正看見世界時，就容易忽略它依然存在大量限制與脆弱性。它能在某些任務上超越人類速度，卻也可能在極簡單的情境裡出現令人意外的錯誤，並非它突然失常，這是它從一開始，就不是倚賴人類理解世界的方法運作。

今天的影像辨識系統，本質上，就是一種透過大量數值關係進行預測的計算模型，這也是目前AI視覺技術最根本的核心。

（作者為富瑜文教基金會執行長）

關鍵概念

★AI辨識影像依靠的是數值計算，而非真正觀看

★像素本質上是由大量顏色與亮度數字組成

★AI學到的是統計相關性，而不是事物本身的意義

★微小像素變化可能導致AI出現巨大誤判

★AI的「視覺幻覺」來自特徵錯誤拼接與推論偏差

★人類依靠經驗理解世界，AI則依靠大量運算逼近答案

學習重點

許多人以為AI能辨識圖片，就代表它已經像人類一樣「看懂」世界，但實際上，AI還不具備真正的視覺理解能力，它所接收的，只是一大堆由像素組成的數值資料，再透過統計與計算，找出哪些特徵經常同時出現，這種方式雖然能快速分析大量影像，卻也容易受到細微變化干擾。

人類看到的是完整意義與生活經驗，AI看到的則是數字之間的規律，也因如此，AI的影像辨識能力，本質上比較接近高速模式分析，而不是人類真正的理解能力。