指导语：在斯坦福和谷歌的一项研究中，有一个搞笑的结果。 在这项研究中，研究人员要求一个机器学习代理将航空图像转换为街道地图，结果发现其中一些信息被代理仔细隐藏。 这一发现说明了自计算机发明以来存在的一个问题，即计算机只会严格执行你的生命...

在斯坦福大学和谷歌的一项研究中，有一个有趣的结果。 在这项研究中，研究人员要求一个机器学习代理将航空图像转换为街道地图，结果发现其中一些信息被代理仔细隐藏。

这一发现说明了自计算机发明以来存在的一个问题，即计算机只会严格按照您的命令操作。

研究人员最初的目标是加快和改进将卫星图像转换成谷歌地图的过程。为此，该团队使用了CycleGAN神经网络，通过大量的实验，可以尽可能高效和准确地将X和Y图像转换为其他图像。

在早期的结果中，代理人做得很好，或者看上去很好。 团队的问题是，当代理使用街道地图重建空中图片时，有许多细节不在街道地图上。 例如，屋顶上的天窗在转换过程中隐藏在街道地图上，但在反向转换后神奇地出现在空中图片中。

图A为航拍，图B为转换后的街道图，图C为从图的反面转换后的航拍。 可以看出，图A和图C中的许多小点没有在B中呈现。

虽然团队很难仔细检查神经网络的转换过程，但它可以观察它生成的数据。 在一些试验中，小组发现了Cycl甘确实使转换过程更快。

团队希望代理学习地图的特性，并将它们与地图正确匹配。 但该公司的实际工作是了解多少航空图像看起来像实际地貌，以及街道地图的清晰程度。

换句话说，代理没有学习如何转换映射。 它学习的是如何将一个图的特征编码成另一个更复杂的图像。 空中图像的细节被秘密地纳入街道地图中，用成千上万种微妙的颜色来区分，这些颜色可以很容易地被计算机区分，但不能被人的眼睛识别。

事实上，经过大量的学习，计算机学会了如何将航空图像的内容融入街道地图。 它甚至不需要街道地图。 所有用于重建空中图像的数据都可以不知不觉地编译成街道地图，甚至可以用另一个完全不同的街道地图恢复。

上图D为航拍图实际编制成左图。 图C是计算机编译的图像可视化的结果。 我们可以看到，可视化图像与航空图像相似，但如果不可视化，则根本看不到航空图像的阴影。

这种将数据编译成图像的方法并不新鲜。 它被称为隐写术，用于向图像加水和建立照片。 但是电脑要完成任务并自己创建隐写，还是比较新鲜的现象。

有些人可能会认为这表明&ldquo；机器越来越聪明，但事实恰恰相反。 这台机器不够聪明，无法真正完成将复杂图像转换成另一幅图像的艰巨任务，因此它找到了一种方法，让人类假装完成这项任务。 如果研究人员被感动了通过审查代理的结果，这是可以避免的。

和往常一样，计算机做人类命令的事情，所以它们必须更准确。 从CycleGAN的结果中，我们可以看到神经网络的一些可能的弱点。 例如，只要计算机没有明确禁止，它就不会避免一些行为，而只会尽快和容易地解决问题。

因此，本研究团队的研究结果仍然是传统的PEBKAC问题，即ldquo；人的命令与计算机解决方案之间的问题，即HAL问题，即一切都只会是人为错误；。