幾天前，Meta發(fā)布了史上首個圖像分割基礎(chǔ)模型——SAM(Segment Anything Model)，將NLP領(lǐng)域的prompt范式引進CV，讓模型可以通過prompt一鍵摳圖。
SAM一經(jīng)發(fā)布，瞬間“炸場”。網(wǎng)友直呼：CV不存在了!
英偉達AI科學(xué)家Jim Fan對此贊嘆道：我們已經(jīng)來到了計算機視覺領(lǐng)域的「GPT-3時刻」!
Meta在博客中興奮地表示：“可以預(yù)計，在未來，在任何需要在圖像中查找和分割對象的應(yīng)用中，都有SAM的用武之地。
SAM之所以如此強大得益于它在包含超過10億個掩碼的多樣化、高質(zhì)量數(shù)據(jù)集(SA-1B)上進行訓(xùn)練，這使它能夠泛化到新類型的對象和圖像，超出它在訓(xùn)練期間觀察到的內(nèi)容;以及引入NLP領(lǐng)域的prompt范式，用戶通過合理的prompt即可完成圖像分割任務(wù)，無需額外訓(xùn)練實現(xiàn)“開箱即用”?？梢哉f，Meta實現(xiàn)了一個完全不同的CV范式，你可以在一個統(tǒng)一框架prompt encoder內(nèi)，指定一個點、一個邊界框、一句話，直接一鍵分割出物體。
不過，瑞萊智慧RealAI要來“潑潑冷水”了。RealAI算法團隊剛剛研究發(fā)現(xiàn)，只要在圖片上添加一些對抗樣本，SAM模型“分割一切”的本事，就會瞬間失靈。
原本SAM可以很好地自動分割圖像中的所有內(nèi)容：
給圖像添加干擾非常微小的對抗噪聲后，SAM就只會“瞎割一氣”：
下圖同理：
這充分說明：盡管SAM模型功能十分強大，但也同樣存在安全風(fēng)險。SAM雖然是一種新的CV范式，但算法本身仍然屬于深度學(xué)習(xí)模型范疇，而深度學(xué)習(xí)模型本身就存在著易受對抗樣本攻擊的安全隱患。攻擊者可以通過向良性數(shù)據(jù)中添加特定的擾動，生成對抗樣本。附加輕微擾動的對抗樣本不會影響人類的判斷，卻會使深度學(xué)習(xí)模型產(chǎn)生錯誤結(jié)果。我們針對SAM的模型輸出，通過結(jié)合MI-FGSM【Dong et al., Boosting Adversarial Attacks with Momentum, CVPR 2018(Spotlight).】等攻擊方法生成對抗樣本，使得SAM模型“分割一切”的本事瞬間失靈。
這已經(jīng)不是RealAI團隊第一次拿對抗樣本“搞事情”了。在此之前，團隊還用對抗樣本眼鏡攻破19款主流商用手機的人臉解鎖系統(tǒng);將對抗樣本打印在衣服上使得人體在目標檢測系統(tǒng)中“隱身”;通過修改錐桶形狀讓自動駕駛感知系統(tǒng)無法識別……
戴上對抗樣本眼鏡攻破手機人臉解鎖
RealAI團隊所做的這一切，都只為讓開啟“狂飆”模式的人工智能更加安全，幫它“系上安全帶”。包括SAM在內(nèi)的上述AI視覺模型，之所以會被RealAI團隊攻破，本質(zhì)上是深度學(xué)習(xí)方法的先天缺陷，語音識別、文本處理等技術(shù)都存在被對抗樣本攻擊的漏洞，具有普遍性。
近幾個月來，狂飆突進的大模型自然也不例外。除了對抗樣本攻擊，AI大模型還存在幻想、生產(chǎn)歧視、排斥和有害內(nèi)容、數(shù)據(jù)泄露等安全問題，威脅大模型的應(yīng)用生態(tài)和國家安全。事實上，無論是學(xué)術(shù)界、產(chǎn)業(yè)界還是監(jiān)管機構(gòu)，都早已意識到了風(fēng)險。
4月11日，國家互聯(lián)網(wǎng)信息辦公室發(fā)布《關(guān)于<生成式人工智能服務(wù)管理辦法(征求意見稿)>公開征求意見的通知》。該意見稿在第十四條就明確規(guī)定：提供者應(yīng)當在生命周期內(nèi)，提供安全、穩(wěn)健、持續(xù)的服務(wù)，保障用戶正常使用。在該意見稿發(fā)布前，已有多國監(jiān)管部門表示密切關(guān)注ChatGPT引發(fā)的數(shù)據(jù)安全等問題。
未來，大模型自身的安全和可靠性問題，無疑將成為其應(yīng)用發(fā)展的瓶頸性問題。如何更好地實現(xiàn)這一通用目的技術(shù)的發(fā)展和安全動態(tài)平衡，將成為人工智能企業(yè)的重要課題，也將醞釀新的產(chǎn)業(yè)機遇。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
