为什么 AI 犯的错有时会很“瘆人”？

本文转载自程序员不高兴

科技社会的演进史，其实是场战争。

 

数十万年前，智人艰难跑赢自然界所有生物，站上食物链顶端，由此，引发了一场旷日持久的技术战：解放肉身。

 

文字，解放了嘴；汽车，解放了腿；键盘，解放了脑。

 

冷静，我说的是代码和人工智能。

 

这场技术的空前胜利，引发的不止有人类对 AI 的迷狂，还有巨大的危险：人工智能的间歇性失控，近看，是智商和情商不足；远看，危机四伏。

 

你可以在智能音箱脑残时，拍腿笑骂它是个十足的智障，却无法在自动驾驶系统脑残时，同样一笑了之。

 

细细想来，人类可以给 AI 解释清楚很多事，比如跳棋、围棋、五子棋；道路千万条、安全第一条。

 

可还有更多解释不清的事。

 

比如为什么拨动气压计刻度盘却不下雨，如果当初尼奥选择了蓝色药丸，接下来可能会发生什么？

 

对人工智能来说，拥有回答这些「为什么」的能力，至关重要。

 

 

 

(一) 光头的诱惑

 

 

去年年底，人工智能出了个大糗。

 

2020 年 10 月，苏格兰足球冠军联赛即将举行。然而，受新冠疫情影响，苏格兰正处于严格的隔离政策下，球迷无法到场观看。

 

为了解决这个问题，比赛前一周，因弗内斯俱乐部引入了一套全新的 AI 智能转播系统，内置带有 AI 追踪技术的摄像头，可以自动追踪足球，解放了以往需要在赛场里来回狂奔的摄像师。

 

这样一来，球迷坐在家里，只要花点小钱就能乐享实时赛况，不必因为疫情而被迫失去一个成年人难得的快乐。

 

只是没想到，直播第一天，就出了意外。

 

比赛刚开始，一切正常，双方球员在中场等待门将开球，AI 缓缓将镜头拉远，静待赛点出现。

 

 

 

可随后，AI 只是多看了一眼站在球场边的“光头”边裁，直播画面就朝着奇怪的方向去了。

 

AI 将边裁锃亮的脑袋认成了足球，尽职尽责进行着赛事直播：边裁走到哪儿，AI 的镜头就转到哪儿。

 

 

 

哪怕边裁离球万里，AI 也会不顾一切调转镜头，尽职尽责地追踪边裁。。。的光头。

 

场外的万千球迷，原本都在家聚精会神的观赛，很快，他们就觉察出不对劲：屏幕正中间的最佳位置，永远闪着一颗光头，至于球到了哪儿，又被传给了谁，不知道。

 

这就尴尬了。

 

察觉到这一异常，技术人员迅速手动修正，试图纠正人工智能的错误认知：小子，你看清楚了，这个不是球，是裁判的光头，那个又白又圆、飞来飞去的才是，别再搞错了啊。

 

很快，直播恢复正常，直到...边裁再次入镜，一切回到最初的起点：AI 又将边裁的头当成了足球，持续追踪...

 

这下可好，人工干预也无法阻止这场“光头的诱惑”，即使多次手动修正，奈何 AI 偏有自己的想法，固执认为边裁的头，就是足球。

 

 

 

原来当年传唱的惊悚校园歌谣，是有现实依据的：XX 的头，像皮球…

 

这下，直播变得有趣了：90 分钟的比赛，其中绝大部分时间，手握啤酒在家观看的球迷们，只能看到边裁的光头停在屏幕中央，至于球在哪儿、有没有进？看不见。

 

好在，这场比赛最终停在了 1:1，不至于让球迷太过心塞。

 

比赛终于结束了，我们一起近距离看看这位全程尊享 C 位的光头边裁：嗯，是个迷人的靓仔。

 

 

 

欣赏完边裁英俊的外貌，我们回到这起直播事故，思考一下，为什么人工智能的小眼睛，非得把头当成足球？

 

好歹是业界知名培训班“深度学习”毕业的，怎么一副学废了的样子？

 

 

 

(二) 机器学习出了什么问题？

 

 

传统的计算机程序，所有参数都是透明的，可到了人工智能时代，变化来了。

 

神经网络是个黑盒子，数据从这头进去，那头出来，至于参数该如何设置，中间会发生什么，执行了哪些操作，很难说出个子丑寅卯。

 

网传一种说法，哈士奇和狼的相似度高达 99%，剩余的 1%，在于智商。

 

为了精准区分二者，华盛顿大学用深度神经网络训练了一个模型，经过测试，效果相当不错，识别准确率高达 90%。

 

 

 

但团队在进一步研究后，竟有了令人吃惊的发现：模型之所以能区分哈士奇和狼，并不是靠特征，而是背景。

 

原来，在用于训练的数据集中，绝大部分图片里的狼，要么站在雪地上，要么头顶的天空正在下雪，模型仅靠背景是否有雪而做出的判断，就达到了令人满意的准确率。

 

没有一丝丝防备，高大上的哈士奇识别模型，竟是一台雪花识别器。

 

 

 

我们都知道，机器学习的三要素是数据、算力、算法，所以整个行业都铆足了劲，拼命从这三个方面下手：

 

1、给数据集扩容；

2、安排超高性能的计算设备；(用于训练 GPT-3 的计算机，拥有 285000 个 CPU 内核、10000 个 GPU 和 400Gbps 的网络连接，位列全球超级计算机榜第 5 位。)

3、钻研复杂精深的算法。

 

看起来，努力的方向没毛病，可为什么人工智能还不能拥有真正的智慧？

 

一个基础却又不易察觉的原因，在于数据：在机器学习中，常常要求数据是独立同分布(iid，independently identically distribution)。

 

我们先来看看啥叫独立同分布。

 

1）独立：数据间不会相互影响

 

比如摇骰子，抛到几就是几，第一次的结果，完全不会影响第二次的结果。

 

2）同分布：所有数据都服从同一个分布

 

还拿摇骰子为例，每一次抛骰子的动作，得到任意点数的概率都是六分之一，这就是同分布。

 

3）独立同分布：数据既独立，又同分布

 

除了摇骰子，掷硬币也满足独立同分布。

 

那么问题来了，机器学习为什么常常需要独立同分布数据？因为容易出效果。

 

机器学习是一个找规律的过程。模型通过学习已有数据，总结出内在规律，就能拟合未来数据，达到模拟和预测的目的。

 

如果训练数据具有总体代表性，模型总结规律的表现就好，反之，总结规律的表现就差，很容易被误导。

 

比如模型可能识别不出站在海滩上的牛，因为没几头牛有机会站在海滩上晒日光浴。

 

《牛与风筝》(Cows and Kites)

摄影师 Andrew Lever

 

 

正因为模型过度依赖训练数据，所以人工智能不仅显得蠢笨，而且极易受到攻击。

 

曾有一个来自日本的团队，他们只给图片加了一个像素，就成功让人工智能的识别出错，指鹿为马，比如把狗识别成猫，把马识别成智能手机。

 

 

 

一个微小像素就能骗过人工智能，离谱。

 

来自加州大学伯克利分校的著名人工智能专家 Dawn Song，稍动手脚，也轻松骗过了自动驾驶。

 

你瞧下面这张图，明明指示牌上写着“STOP”，可 Down Song 仅仅贴了几个黑白胶带条，就让自动驾驶把它看成了时速 45 公里的限速牌。

 

 

 

细思极恐。

 

所以说，基于规则的人工智能系统非常脆弱，不但容易被数据误导，而且一旦神经网络失效，技术人员也很难找出原因，进行有效修复。

 

鉴于机器学习“黑盒子”的缺陷，朱迪亚·珀尔提出了基于概率的贝叶斯网络，让“黑盒子”透进了一丝光，也因此获得了图灵奖。

 

贝叶斯网络的基础，是贝叶斯定理，而贝叶斯定理的本质，是从结果倒推原因。

 

如果用一句话来概括贝叶斯定理，那就是：当事实在变，看法也要跟着变。

 

这非常像警察破案。当凶案发生后，警察虽没有实质性证据，但从初步排查的结果来看，高度怀疑张三、李四和王五是凶手。

 

在接下来的勘查中，警察先发现张三和受害者在案发当晚吵过架，于是张三的嫌疑陡然上升，可随后又发现，两人吵完架后，张三去找朋友打牌，有不在场证明，故而嫌疑解除。

 

接着，警察发现李四在案发后立即去外地打工了，一追查，发现李四真的只是单纯去打工了，嫌疑也被解除。

 

最后，警察从王五朋友处得知，王五曾在一次酒醉后提起过与案件相关的细节，立刻查证，终于找到直接证据，成功锁定真凶。

 

看法随事实改变，这就是贝叶斯定理的精髓，这一招，福尔摩斯也常用。

 

1985 年，朱迪亚·珀尔将贝叶斯定理运用到人工智能模型中，推出了“贝叶斯网络”，成为「机器学习」这门技术的开山鼻祖。

 

贝叶斯网络，是让计算机能够在“灰色地带”进行思考的第一个工具，它提出先验概率和后验概率，成为人工智能领域的一个重要工具，直到今天都在被广泛使用。

 

什么是先验概率和后验概率呢？

 

假如你是个微生物学家，就必须用显微镜来进行观察，然后记录下数据，最后得出推论。

 

在这个过程中，你选择的显微镜就是“先验”，记录数据就是“后验”，二者共同决定你的结论质量：如果你选用放大镜观察，或者委托实验室保洁大妈帮你记录数据，都会对实际结果造成影响。

 

利用贝叶斯网络进行推理时，同样要选好先验和后验，才能保证最佳的训练效果。

 

尽管贝叶斯网络让机器学习这个黑盒子透明了一些，可它依旧没能弥合人工智能与人类之间的差距：因果。

 

也就是说，人工智能回答不了为什么。

 

因此，贝叶斯网络之父朱迪亚·珀尔，决定成为一个“叛教者”。

 

 

 

(三) 机器学习中的小机灵

 

 

朱迪亚·珀尔 (Judea Pearl) 所谓的“反叛”，是指从概率关联，到因果推理。

 

来看下面这个动图，人类在观看时，不用额外思考，也能轻松推论出不同元素间的因果关系。比如当你看到球棒和运动员的手臂同时运动，就知道是运动员的手臂带动了球棒的运动，进而影响了球的运动轨迹。

 

 

 

同时，人类还能进行更高级的反事实思考：如果这个球飞的再高一点，球棒没有击中它，会发生什么？

 

不管是推论因果联系，还是反事实思考，对人类来说都不难，因为从出生开始，我们就一直在做这样的事情。

 

可就是这样简单的事情，放在机器学习身上，就成了挑战。

 

人工智能可以在围棋等赛事中赢过人类，可以在医学影像中预测癌变，可以在海量数据中发现微妙的规律，却无法做到简单的因果判断，例如利用球员腿部动作和足球轨迹间的联系，实现球赛追踪直播，而不是忽略场上的运动员，平白无故将一个又大又白的脑袋当成足球，令人哭笑不得。

 

尽管现有的机器学习模型已经取得巨大进步，但真相却是，所有的模型，依然是在对数据进行精确的曲线拟合。

 

也就是说，现有的模型，只是在上一代的基础上提升了性能，但在基本的思想方面，没有任何进步。

 

在朱迪亚·珀尔看来，要想改变“有多少人工，就有多少智能”的困境，急需一场「因果革命」。

 

这里说的因果，不是指一个新的研究课题，朱迪亚·珀尔把它称作“新科学”，这是一道新的大门，对人工智能的进步，将会产生巨大的推动作用。

 

既然如此，那还等什么，赶紧把它写进代码里呀！但事实却是，根本不存在这样的代码。

 

在长达数十年的时间里，科学界广泛认为，因果关系根本不存在，所以压根儿就没把它划进科学家族中，更别说用科学的语言来描述它了。

 

当然，这种局面可不是科学家们拍拍脑袋达成的共识，而是实验后得出的结论。

 

1877 年 2 月 9 日，英国著名的生物统计学家高尔顿，在由英国皇家学院举办的著名“周五晚间演讲”上，做了一个题为“典型遗传规律”的演讲，演讲的重头戏，是场实验演示。

 

台下身着礼服的观众，全都是英国社会的上层精英，高尔顿当着所有人的面，用一种奇怪的装置，展示了一个实验。

 

 

 

高尔顿立起一块木板，上半部分是很多排交错呈三角形的小格挡 ，下半部分则是几个垂直的竖槽。小球从上部正中央的入口处掉落，经过一排排小格挡的碰撞，就会落到下面的竖槽中。

 

高尔顿钉板

 

 

他把这个板叫做梅花机，后来更多被称为高尔顿钉板 (Galton knocked boards)。

 

在小球掉落的过程中，碰撞随机发生，落到哪个槽里无法预测，可随着小球的数量增加，你就会发现，小球的分布是有规律的。

 

 

 

越靠近中间的竖槽，小球越多，越到两边，小球就越少，整体分布呈现平滑的中型曲线，非常像单峰驼的驼峰，统计学把这种现象叫做正态分布。

 

 

 

高尔顿用这个实验来模拟人的遗传。

 

人的身高会受到很多遗传因素的影响，就像高尔顿钉板的小格挡一样，但不管有多少种因素，最终都会呈现出正态分布。

 

也就是说，大部分人都将处在平均身高区间，特别高和特别矮都是少数。

 

以我们的生活经验来判断，高尔顿的实验结论没毛病，但高潮还在后面。

 

高尔顿继续思考：如果在钉板下面，再接一个钉板，结果会发生变化吗？

 

 

 

答案是：会。

 

这次实验结果表明，第一代中，特别高和特别矮的人都是少数，到了第二代，特别高和特别矮的人增多了，平均身高区间的人数有所减少。

 

当然，你肯定意识到了，现实世界并不是这样，不管经历多少代，特别高和特别矮的人，始终都是少数。

 

此外，高尔顿还观察了 600 多位英国名人， 最后发现，正所谓“富不过三代”，这些名人的儿子们，普遍没有父辈有名。

 

图片仅供一笑

 

 

高尔顿将这种现象叫做回归平庸，并用了 12 年时间，采用各种研究方式，企图找出原因。

 

最后，他得出结论：也许没有什么原因，这个世界，并非是因果能解释的，用“相关性”理解更为合适。

 

再往后，高尔顿的学生皮尔逊同样认为：世界上只有相关性，没有因果。

 

只是，有的相关性是有意义的，比如父辈的身高和后代的身高；有的相关性是没有意义的，比如公鸡打鸣和太阳升起。

 

这一观点，逐渐成为不少科学家的共识。

 

但这里，其实有个问题。

 

什么是没有意义？举个栗子，公鸡打鸣不会导致太阳升起。各位注意看这个词，“导致”。

 

“导致”用来解释的，就是因果联系。

 

皮尔逊虽然不承认因果，可他在判断相关性的时候，依然用到了因果。

 

这下，局面变得有些尴尬了：科学上，不能证明因果联系，但在思考上，又离不开因果联系。

 

贝叶斯网络之父朱迪亚·珀尔，运用哲学的方式，对这一难题给出了自己的看法。

 

他认为，要把主观和客观这两个维度分开来看。

 

因果是一种主观的思维方式，人类看到客观现象，就会主观建立起因果联系，但客观世界，也许并非是按照因果规律运转的。

 

因果联系是人类建立认知的一种基本方式，即使是一次再简单不过的思考，我们也在调用因果思维。更进一步说，不管客观世界存不存在因果，作为人类，主观上都无法离开因果这个思考方式。

 

只是，以当下的科学研究，还无法给因果联系一个精准的定论。

 

当然，我们可以慢慢纠结，等能够用科学语言来描述因果关系那一天的到来，可人工智能等不了。

 

真要等研究明白这个问题，再把它变成代码，输入人工智能，那在此之前，人工智能将长期处于“有多少人工、就有多少智能”的时代。

 

在这个效率至上的时代，这个方案显然不可取。

 

在现实世界，不是非要搞明白牛顿力学，才能造出一把锤子，很多实践进步，都出现在理论形成之前。

 

所以，面对人工智能，当前最重要的工作，不是搞清楚因果联系，而是完善因果思维。

 

我们来看两个故事。

 

第一个是后羿射日。远古时期，天上有十个太阳，直接导致温度太高，不适宜人类生存。这时，一个叫后羿的暖男，举起一把大弓，追着射下九个太阳，让地球成为适宜人类居住的蓝色星球。

 

第二个来源于三体。遥远的外星系，挂着三个太阳，它们在万有引力的作用下互相吸引，做出了很多没有规律的不规则运动，有时不升起，有时三日凌空，导致温度骤升，有时又突然落下，到处漆黑阴冷，三体人只能用脱水的方式来维持生命的延续。

 

在第一个故事中，存在的因果模型很简单：十个太阳，导致热，射下九个，不热。

 

在第二个故事中，同样还是太阳，但因果模型变得复杂，因为关键因素增加了：人们意识到了万有引力的存在，而且，三个太阳不仅热，还多了人类无法预测的不规则运动，超出了人类的数学极限，你根本无法通过计算，预测它们下一步的运动轨迹。

 

其实，第二个故事中的因果模型，也并不一定完全准确，也许你明天早上一睁眼，打开热搜就发现，有科学大神找到了一个除万有引力之外的新规则。

 

这意味着：世界同时存在不同维度的各种规则，你能察觉的规则越多、越关键，你的因果模型才会越准确。

 

都有哪些完善因果思维的方法呢？一起来看两个高频使用方法。

 

 

 

(四) 辛普森悖论

 

 

关于自动驾驶，出现频率最高的日常迷惑是：机器和人类相比，到底谁开车更安全？

 

在一次人工智能论坛上，特斯拉公司的董事会主席德霍姆摆出了数据：自动驾驶每 400 万英里发生一次事故，而人类司机呢？每 50 万英里就会有一次事故。

 

 

 

显而易见：自动驾驶胜。

 

不过，同样是摆数据、讲道理，有人却给出了相反的结论。

 

来自伊利诺伊大学的一个研究团队，研发出了一种针对自动驾驶的故障评估技术，他们分析了 Uber 和 Waymo 在 2014-2017 年间提交的所有安全报告 (涵盖 144 辆车，累计行驶里程 1116605 英里) 。

 

最后，结果显示：在同样的行驶里程数下，人类驾驶汽车发生事故的可能性，比自动驾驶汽车低 4000 倍。

 

如此看来：人类司机胜。

 

怪了，两方都是以客观数据为依据，却论证了两个截然相反的观点，这就显得有些玄学了。

 

这种看似违背常理的诡异现象，其实是个非常经典的统计学问题：辛普森悖论。

 

1951 年，辛普森在论文中阐述了一种奇怪的现象：当人们尝试探究两种变量是否具有相关性的时候，会分别对之进行分组研究。但是，在分组比较中都占优势的一方，在总评中，反而成了失势的一方。

 

举个栗子，假设你是某大学校长，正坐在办公室里。

 

突然，秘书眉头紧锁推门进来，对你说：大事不好了，校门口有很多男生举着横幅抗议，说咱们的录取环节存在性别歧视，女生的录取率是 42%，男生的录取率却只有一半，仅为 21%。

 

听完秘书的汇报，你觉得很疑惑，反问秘书：之前咱们不是专门开会说，今年要提高男性的录取率嘛，怎么还搞成这样？

 

秘书哭丧着脸回答说：我确实是严格按照计划行事的呀，您看，我还做了个表呢。

 

从秘书制作的统计表中，你清楚地看到：商学院的录取率中，男生是 75%，女生是 49%；法学院的录取率中，男生是 10%，女生是 5%。

 

 

 

不管看哪个学院，都是男生的录取率高，可不知为什么，合在一起看，男生的录取率反而低了。

 

同样的数据，却得出相反的结论，这就是辛普森悖论。

 

就这个例子看，究其原因，是因为秘书只从表面统计了数据，却没有考虑数据间的因果性。

 

1) 忽略了申请者的性别权重。

 

申请商学院的女生人数是男生的 5 倍，表示女生更偏爱商学院。在 53.3% 的录取率中，男生申请人数少，所以不被录取的人数也相对少，女生刚好相反，导致男生录取率反而高于女生。

 

相反，申请法学院的男生人数是女生的 5 倍，显示男生更愿意申请法学院。同理，在 9.2% 的录取率下，尽管最终录取了 10 名男生，1 名女生，但由于女生申请人数本来就少，被淘汰的人数自然也少，导致男生录取率再次高于女生。

 

可是，一旦将两组录取率进行简单平均，忽视两个学院录取率的巨大差异 (53.3% 和 9.2%)，女生录取率自然就反超了。

 

2) 忽略了其他的潜在影响因素。

 

在录取率面前，申请者出现比较大的性别差异，只是一种随机事件，往大看，性别甚至可能对录取率毫无影响，仅是这届学生的入学成绩恰好出现这种比例，容易让人误认为是性别因素导致。

 

虽说上面这个故事纯属虚构，但在现实生活中，确实存在很多辛普森悖论，在政治领域，政客们更是经常利用辛普森悖论来拉拢人心。

 

福特总统在 1974~1978 年的任期中，对各个收入人群实施减税，从下图中就能看出，每个纳税区间的税率都有所下降，但事实是，在此期间，整体税率出现上升，税收额明显上涨。

 

 

 

辛普森悖论揭示了一个很容易被忽略的真相：数据是个强有力的武器，但它是会骗人的。

 

想要破解“辛普森悖论”迷局，一个非常好用的方法就是：区分混杂因子。

 

回想你刚刚当校长时遇到的难题，就能很容易理解这个方法：找到造成“双面数据”的混杂因子，也就是能够同时影响原因和结果的那个因素，把与它相关的因素分开计算 (性别)，就能得出正确结论(男生录取率确实高于女生，与原有招收目标一致)。

 

 

 

(五) 酸橙和柠檬

 

 

另一个完善因果推理的常用方法，叫做寻找正确的中介物。

 

在数百年前的大航海时代，坏血病是一种可怕的疾病，仅 1500 年到 1800 年，就有约 200 万名船员因此丧命。

 

有人开始怀疑，坏血病之所以高发，很可能是因为船上缺少新鲜蔬菜和水果。

 

1747 年，苏格兰海军终于有了发现：柑橘类水果可以预防这种可怕的疾病。

 

自此，英国海军开始规定：所有出海的船只，必须携带充足的柑橘类水果。对比下来，他们选择了西班牙柠檬。

 

当船员们人手捧着这种黄黄的水果后，果真，坏血病很少出现了。对整个英国海军来说，坏血病已经成为历史。

 

可没想到，一个世纪后，当英国探险队开始极地探险时，坏血病卷土重来。

 

随后，在 1903 年和 1911 年，又有两支极地考察队遭遇了坏血病。

 

奇怪，明明已经可以写进历史的坏血病，怎么就又出现了呢？

 

原来，这几支极地考察队在出发前，只备足了没有腐坏迹象的干肉，以及其他食物和茶饮，完全没有储备柑橘类水果。

 

极地探险队成员每天的口粮：

巧克力、干肉饼、糖、饼干、黄油、茶

 

 

至于为什么不带，因为当时的医生，根本不知道柑橘类水果是怎么预防坏血病的，误以为是柑橘类水果中的酸性物质在起作用。

 

这样一来，只要含有酸性物质，肯定也能预防坏血病。于是，出于经济方面的考虑，海军高层选择了更便宜的西印度酸橙，替换掉了之前的西班牙柠檬。

 

反正二者都一样酸，效果肯定差不多。

 

更绝的是，海军高层不仅换了品种，而且为了防止腐坏，还把酸橙榨汁煮熟后带上船，直接导致坏血病大面积爆发，严重程度超过以往任何时期。

 

在这个悲惨的案例里，起初，医生以为柑橘类水果可以预防坏血病，是因为它含有酸性物质。那么，酸性物质就是中介因素，它能够直接导致坏血病爆发这个结果。

 

用因果图表示就是：柑橘类水果——酸性物质——坏血病。

 

按照这个因果关系，所有的酸性物质都能预防坏血病，比如醋、巧克力都行。可事实上，起预防作用的不是酸性物质，而是维生素 C。

 

西印度酸橙虽然便宜，可它的维生素 C 含量，只有西班牙柠檬的四分之一，而本来就不多的维生素 C，再经过榨汁煮熟，几乎全军覆没，这才导致坏血病的突然爆发。

 

所以正确的因果图应该是：柑橘类水果——维生素 C——坏血病。

 

维生素 C 才是那个正确的中介因素。

 

所以说，找到正确的中介因素，才是建立有效因果模型、最终解决问题的关键。

 

历史总在重演，科技永远向前。

 

运用因果推理，让人工智能“更聪明”，正在成为行业内的新发力点。前两天，我刚好看到一个新闻，说阿里巴巴达摩院将因果推理引入计算机视觉，试图让 AI 想象从未见过的事物，比如学过人类照片和鱼类照片后，再给 AI 看一张美人鱼的照片。

 

至于 AI 能将美人鱼认成什么，我还没去探索，但我希望技术人员给 AI 看的美人鱼照片，不是长下面这样。