目前部分人工智能沉迷刷榜，在基準(zhǔn)測試時高分通過，表現(xiàn)優(yōu)異，但實際應(yīng)用中卻還會犯一

些非常基礎(chǔ)的錯誤。

　　近日，有媒體報道，目前部分人工智能沉迷刷榜，在基準(zhǔn)測試時高分通過，表現(xiàn)優(yōu)異，但實際

應(yīng)用中卻還會犯一些非常基礎(chǔ)的錯誤。這種沉迷刷榜，忽略實用性質(zhì)的行為造成了部分AI模型“高

分低能”的現(xiàn)象。那么，對于AI發(fā)展而言，基準(zhǔn)測試是否必要？在實際應(yīng)用中，基準(zhǔn)測試哪些問題

有待改進(jìn)完善呢？

　　AI模型哪家好，基準(zhǔn)測試來說話

　　AI模型應(yīng)該如何衡量其性能？

　　“目前AI模型能力的高低取決于數(shù)據(jù)，因為AI的本質(zhì)是學(xué)習(xí)數(shù)據(jù)，輸出算法模型。為了公平衡量

AI能力，很多機(jī)構(gòu)、企業(yè)甚至科學(xué)家會收集、設(shè)計不同的數(shù)據(jù)集，其中一部分喂給AI訓(xùn)練，得到AI模

型，另外一部分?jǐn)?shù)據(jù)用于考核AI模型的能力，這就是基準(zhǔn)測試。”近日，西安電子科技大學(xué)電子工程

學(xué)院教授吳家驥接受科技日報記者采訪時表示。

　　吳家驥介紹說，機(jī)器學(xué)習(xí)越來越多地用于各種實際應(yīng)用場景，例如圖像和語音識別、自動駕駛汽

車、醫(yī)學(xué)診斷等。因此，了解其在實踐中的行為和性能變得非常重要。其魯棒性和不確定性的高質(zhì)量

估計對于許多功能至關(guān)重要，尤其是在深度學(xué)習(xí)領(lǐng)域。為掌握模型的行為，研究人員要根據(jù)目標(biāo)任務(wù)

的基線來衡量其性能。

　　2010年，基于ImageNet數(shù)據(jù)集的計算機(jī)視覺競賽的推出，激發(fā)了深度學(xué)習(xí)領(lǐng)域一場算法與數(shù)據(jù)

的革命。從此，基準(zhǔn)測試成為衡量AI模型性能的一個重要手段。微軟公司的計算機(jī)科學(xué)家馬塞洛·里貝

羅表示，基準(zhǔn)測試應(yīng)該是從業(yè)者工具箱中的一個工具，人們用基準(zhǔn)來代替對于模型的理解，通過基準(zhǔn)

數(shù)據(jù)集來測試“模型的行為”。

　　例如，在自然語言處理領(lǐng)域，GLUE科研人員讓AI模型在包含上千個句子的數(shù)據(jù)集上訓(xùn)練，并在9

個任務(wù)上進(jìn)行測試，來判斷一個句子是否符合語法，并分析情感，或者判斷兩個句子之間是否是邏輯

蘊(yùn)涵等，一度難倒了AI模型。隨后，科研人員提高了基準(zhǔn)測試難度，一些任務(wù)要求AI模型不僅能夠處

理句子，還要處理來自維基百科或新聞網(wǎng)站的段落后回答閱讀理解問題。僅經(jīng)過1年的發(fā)展，AI模型的

性能從不到70分輕松達(dá)到90分，超越了人類。

　　吳家驥表示：“科學(xué)研究要有科學(xué)問題、方法、計算、試驗對比等要素。因此在進(jìn)行科學(xué)研究，

包括人工智能的科研中，也必須有計算與試驗對比，也就是說AI算法的能力應(yīng)該是可測量的，目的是

驗證研究方法的可行性、有效性。因此，基準(zhǔn)測試很有必要，這樣才可以公平驗證AI算法能力的高低

好壞，避免各說各話，‘王婆賣瓜自賣自夸’。”

　　算法最終服務(wù)實踐，而非刷榜

　　有人說，高分是AI模型的興奮劑。于是，有的人工智能為了取得好成績而頻頻刷榜。

　　微軟公司2020年發(fā)布報告指出，包括微軟、谷歌和亞馬遜在內(nèi)的各種sota模型包含諸多隱含錯

誤，比如把句子里的“what's”改成“what is”，模型的輸出結(jié)果就會截然不同，而在此前，從沒

有人意識到這些曾被評價還不錯的商業(yè)模型竟會在應(yīng)用中如此糟糕。顯然，這樣訓(xùn)練出的AI模型就像

一個只會考試、成績優(yōu)異的學(xué)生，可以成功通過科學(xué)家設(shè)置的各種基準(zhǔn)測試，卻不懂為什么。

　　“為了獲得好成績，研究人員可能會使用特殊的軟硬件設(shè)置對模型進(jìn)行調(diào)整和處理，讓AI在測試

中表現(xiàn)出色，但這些性能在現(xiàn)實世界中卻無法施展。”西安電子科技大學(xué)研究員尚坤指出。

　　在智能手機(jī)領(lǐng)域，我們談及手機(jī)的使用體驗時一般都不免會涉及手機(jī)的性能表現(xiàn)，這些性能通常

會用跑分成績來表現(xiàn)。然而，我們常常會遇到一款手機(jī)的跑分成績處于排行榜領(lǐng)先水平，但是在實際

使用過程中卻出現(xiàn)動畫掉幀、頁面滑動卡頓、應(yīng)用假死等的現(xiàn)象。全球頂級評測網(wǎng)站AnandTech的一

篇報道曾對這種現(xiàn)象提出質(zhì)疑，指出某品牌手機(jī)跑分時啟動了“性能模式”，而在平時的使用中“性

能模式”很少被調(diào)用開啟。這種處理方式雖然能夠獲得高跑分，但是不能模擬用戶真實的使用情景，

這讓基準(zhǔn)測試不具有參考意義。

　　尚坤認(rèn)為，針對上述問題，改進(jìn)基準(zhǔn)的方法主要有：一種是增加更多的數(shù)據(jù)集，讓基準(zhǔn)變得更難

。用沒有見過的數(shù)據(jù)測試，這樣才能判斷AI模型是否能夠避免過擬合。研究人員可創(chuàng)建一個動態(tài)數(shù)據(jù)

收集和基準(zhǔn)測試平臺，針對每個任務(wù)，通過眾包的方式，提交他們認(rèn)為人工智能模型會錯誤分類的數(shù)

據(jù)，成功欺騙到模型的樣例被加入基準(zhǔn)測試中。如果動態(tài)地收集數(shù)據(jù)增加標(biāo)注，同時迭代式的訓(xùn)練模

型，而不是使用傳統(tǒng)的靜態(tài)方式，AI模型應(yīng)該可以實現(xiàn)更實質(zhì)性的進(jìn)化。

　　尚坤說，另一種是縮小實驗室內(nèi)數(shù)據(jù)和現(xiàn)實場景之間的差距。基線測試無論分?jǐn)?shù)多高，還是要用

實際場景下的數(shù)據(jù)來檢驗，所以通過對數(shù)據(jù)集進(jìn)行更貼近真實場景的增強(qiáng)和擴(kuò)容使得基準(zhǔn)測試更加接

近真實場景。如ImageNet-C數(shù)據(jù)集，可根據(jù)16種不同的實際破壞程度對原有的數(shù)據(jù)集進(jìn)行擴(kuò)充，可

以更好模擬實際數(shù)據(jù)處理場景。

　　應(yīng)用廣泛，需盡快建立國家標(biāo)準(zhǔn)

　　美國麻省理工學(xué)院Cleanlab實驗室的研究指出，常用的10個作為基準(zhǔn)的數(shù)據(jù)集中，有超過3%的

標(biāo)注是錯誤的，基于這些基準(zhǔn)跑分的結(jié)果則無參考意義。

　　“如果說，基準(zhǔn)測試堪稱人工智能領(lǐng)域的‘科舉制’，那么，‘唯分?jǐn)?shù)論’輸贏，是不可能訓(xùn)練出

真正的好模型。要打破此種現(xiàn)象，一方面需要采用更全面的評估方法，另一方面可以考慮把問題分而

治之，比如用多個AI模型解決復(fù)雜問題，把復(fù)雜問題轉(zhuǎn)化為簡單確定的問題。簡單且經(jīng)過優(yōu)化的基線

模型往往優(yōu)于更復(fù)雜的方法。谷歌的研究人員為常見的AI任務(wù)引入了不確定性基線庫，來更好評估AI

應(yīng)用的穩(wěn)健性和處理復(fù)雜不確定性的能力。”遠(yuǎn)望智庫人工智能事業(yè)部部長、圖靈機(jī)器人首席戰(zhàn)略官

譚茗洲指出。

　　雖然行業(yè)正在改變對于基準(zhǔn)的態(tài)度，但目前基準(zhǔn)測試研究仍然是一個小眾研究。谷歌在一份研究

中采訪了工業(yè)界和學(xué)術(shù)界的53位AI從業(yè)者，其中許多人指出，改進(jìn)數(shù)據(jù)集不如設(shè)計模型更有成就感。

　　譚茗洲表示，AI應(yīng)用基準(zhǔn)研究是構(gòu)建國內(nèi)統(tǒng)一大市場的內(nèi)在需要，當(dāng)前AI已經(jīng)在國計民生的各類

領(lǐng)域中得到廣泛應(yīng)用，更需要設(shè)立標(biāo)準(zhǔn)對AI模型進(jìn)行全面有效的評估，片面追求和采用高分AI模型，

可能會讓模型在復(fù)雜極端場景下出現(xiàn)“智障”行為，并且可能由于訓(xùn)練和推理性能的低效，造成不良

社會影響、經(jīng)濟(jì)損失和環(huán)境破壞。

　　譚茗洲強(qiáng)調(diào)，AI應(yīng)用基準(zhǔn)研究關(guān)乎國家戰(zhàn)略。針對重要領(lǐng)域，建立我國自己的AI基準(zhǔn)測試標(biāo)準(zhǔn)、

AI數(shù)據(jù)集、AI模型評估標(biāo)準(zhǔn)等迫在眉睫。

　　據(jù)了解，西安電子科技大學(xué)的DvcLab也在AI基準(zhǔn)測試這個領(lǐng)域進(jìn)行了前瞻性研究，特別是針對A

I應(yīng)用基準(zhǔn)測試中數(shù)據(jù)集的整體質(zhì)量與動態(tài)擴(kuò)展兩個關(guān)鍵問題，正在開發(fā)可在線協(xié)作的數(shù)據(jù)標(biāo)注與AI模

型研發(fā)托管項目，并計劃今年陸續(xù)開源，正在為構(gòu)建國家AI基準(zhǔn)評估標(biāo)準(zhǔn)體系進(jìn)行積極探索。