不久前，某知名品牌汽車被曝其自動駕駛系統(tǒng)無法識別白色貨車箱體這樣類似于“一堵墻”的障礙物。在自動駕駛中，行人、車輛被漏檢或者未能及時被檢測到，都可能導(dǎo)致交通事故的產(chǎn)生。此外，安防漏檢危險人物與物品也可能導(dǎo)致安全隱患。這些風(fēng)險都提示，AI視覺的安全性值得重視。

在研究AI視覺穩(wěn)定性的過程中，阿里安全圖靈實驗室的研究人員札奇發(fā)現(xiàn)，AI視覺還有一個盲區(qū)：利用算法自動鑒別圖片關(guān)鍵信息，并巧妙刪除，就像給圖片“打碼”一樣，AI視覺系統(tǒng)就會無法識別該圖片。最近，這項研究成果被AI頂會ICCV 2021收錄。

札奇的研究源于逛商場看到樂高玩具迸發(fā)的靈感。當(dāng)時，她有一個疑問：“人眼如何識別‘馬賽克’式樣的玩具？還有早期的超級馬里奧，雖然只是由幾個簡單像素組成，人卻可以正確識別這種抽象的表達(dá)。AI模型面對‘馬賽克’式的圖片，能正確識別嗎？”

札奇進(jìn)行了驗證。她發(fā)現(xiàn)，傳統(tǒng)對圖片“加工”以騙過AI的方法是給圖片加上“噪音”，相當(dāng)于在當(dāng)前圖片上針對模型"亂涂亂畫"，讓AI無法識別，但原圖片本身的關(guān)鍵信息沒有丟失，只要用“橡皮擦”擦一擦，AI依然能識別。如果反向操作，刪除圖片的關(guān)鍵信息，就像打“馬賽克”，圖片的關(guān)鍵信息已經(jīng)丟失，那么AI無論如何也難以識別。這意味著，針對“打碼攻擊”，難以有防御措施。

如下圖所示，給貓咪圖片加上噪聲，去除噪聲后，AI模型依然能認(rèn)出這是一只貓咪。相反，基于信息丟失的對抗攻擊在去噪聲的操作下基本沒什么變化，AI視覺模型“識別無能”。?

傳統(tǒng)加噪音（上）與“打碼”刪信息（下）對比,
“打碼”攻擊“無法還原”

專注對AI的對抗樣本和模型安全性進(jìn)行研究的阿里安全高級算法專家越豐提醒，除了AI視覺場景，真實場景中也可能存在這種對抗攻擊，例如針對某知名PS軟件，只要提供具備對抗攻擊性質(zhì)的JPEG量化表，就能產(chǎn)出有“攻擊性”的圖片。

此外，在實際場景中，圖片信息丟失是常見現(xiàn)象，例如用戶將圖片以JPEG形式上傳到網(wǎng)絡(luò)，就有一定的信息丟失，可能不經(jīng)意間就會制造一個“對抗樣本”。越豐認(rèn)為，這對當(dāng)前內(nèi)容安全場景的AI識別而言，都是不小的挑戰(zhàn)。

“比如有人將涉黃賭毒圖片以損失部分信息的形式上傳到網(wǎng)絡(luò)，人眼依然能領(lǐng)會含義，但AI卻沒能正確識別，這對構(gòu)建清朗、健康網(wǎng)絡(luò)環(huán)境而言，就是一種對抗?！痹截S舉例道，AI安全行業(yè)應(yīng)該警惕這種類型的對抗。

當(dāng)然，“致盲AI”不是研究人員的目標(biāo)，研究人員最終還是想發(fā)現(xiàn)AI模型的脆弱性，進(jìn)一步提升AI安全?！霸贏I安全前沿技術(shù)上進(jìn)行探索，一是為了讓AI更安全，二是為了讓AI助力安全，三是為解決具體社會問題尋找提效的新途徑?！卑⒗锇踩珗D靈實驗室負(fù)責(zé)人薛暉提醒，相比“事后彌補”，安全應(yīng)前置，從源頭守衛(wèi)安全，對前沿技術(shù)進(jìn)行研究布局，以科技創(chuàng)新造就最好的網(wǎng)絡(luò)安全。