【小哈划重点：这些图像属于名为ObjectNet的数据集一部分，该数据集来自MIT的科学家，以测试AI视觉的局限性。研究科学家鲍里斯·卡茨（Boris Katz）告诉《MIT新闻》：“我们创建了这个数据集来告诉人们对象识别问题仍然是一个难题。我们需要更好，更智能的算法。”】
机器视觉一直是人工智能热潮中最大的成功案例之一，它可以实现从自动医疗扫描到自动驾驶汽车的所有功能。但是，尽管所有视觉算法的准确性都有了很大的提高，但这些系统仍然可能被人类可以轻松识别的图像所迷惑。
看看下面的2张图片，都没有特别令人困惑的地方吧？您会看到锤子，烤箱手套，尽管中间图片很难辨认，但可以很快地看出来是从上方看去的椅子。同时，最先进的机器视觉算法可能只会识别这些对象中的一两个。对于应该驾驶我们的汽车的系统来说，这是一个巨大的降级。
这些图像属于名为ObjectNet的数据集一部分，该数据集来自MIT的科学家，以测试AI视觉的局限性。研究科学家鲍里斯·卡茨（Boris Katz）告诉《 MIT新闻》：“我们创建了这个数据集来告诉人们对象识别问题仍然是一个难题。我们需要更好，更智能的算法。”
更好的数据可以构建更好的算法，而ObjectNet将在这方面提供帮助。它包含5万张从奇怪角度或在令人惊讶的环境中观看的物体图像（比如沙发上倒着的茶壶或浴室里靠在椅背上的餐椅）。ObjectNet可以用来测试和评估不同算法的能力。
这类图像很难被计算机处理，因为它们没有出现在训练数据中，并且因为这些系统对现实世界中的对象工作方式了解有限。 AI系统无法轻松地从它们以前看过的项目中推断出来，以想象它们在不同角度，在不同灯光下的形象。改善AI视觉系统的性能也不是没有可能。这只需要时间，精力和训练。
