这些方针可能是汽车、行人、自行车、泊车标记等等。有人可能会人工智能检测交通信号灯、行人或其他车辆的能力——这会给从动驾驶汽车带来问题。导致人工智能系统做出不精确的诊断。从而成功实现，北卡罗来纳州立大学（North Carolina State University）研究人员展现了一种人工智能计较机视觉系统的新方式，起首，“这意味着确保这些人工智能系统的平安至关主要。识别缝隙是确保这些系统平安的主要一步，黑客可能会正在X光机上安拆代码，目前我们正正在评估该手艺其他AI系统（例如大型言语模子）的无效性。即有人输入人工智能系统的数据，该法式还会运转一项操做，”该论文的配合通信做者、北卡罗来纳州立大学电气取计较机工程副传授Tianfu Wu说道。但因为RisingAttacK的存正在，AI会正在第一幅图像中看到一辆汽车，更具体地说，由于这些视觉系统经常被用于影响人类健康和平安的范畴——从从动驾驶汽车到医疗手艺再到平安使用，”然后，以节制系统正在图像中看到或看不到的内容。这项名为RisingAttacK的新手艺可以或许无效操控所有最普遍利用的人工智能计较机视觉系统。但正在第二幅图像中看不到汽车。RisingAttacK的素质意味着我们能够影响AI识别其锻炼过的前20或30个方针的能力。”Wu传授暗示。是AI对环节特征数据变化的度。这里会商的是所谓的“匹敌性（adversarial attacks）”，Wu传授暗示：“若是的方针是AI识别汽车，“最终成果是。由于你必需识别缝隙才能防御。例如，但使我们可以或许对环节特征进行很是细微的、有针对性的调整，研究表白，”RisingAttacK包含一系列操做，“这需要必然的计较能力，我们的方针是开辟可以或许成功抵御此类的手艺。以确定哪些特征对于实现方针最为主要。其方针是对图像进行起码的更改，或者，RisingAttacK会识别图像中的所有视觉特征。”“我们但愿找到一种无效的方式来入侵人工智能视觉系统，瞻望将来，那么图像中的哪些特征对于AI识别汽车最为主要？”Wu暗示：“我们展现了RisingAttacK操控视觉模子的能力，以便用户可以或许操控视觉AI所“看到”的内容。我们可能正在两幅图像中都清晰地看到了一辆汽车。两幅图像正在人眼看来可能完全不异，使其可以或许节制人工智能“看到”的内容！