人工智能在面部识别技术的发展上表现出色，但在处理动态面部表情时，其表现与人脑存在显著差异。

最新一项研究发现了人工智能在面部识别技术上的局限性。尽管AI在静态图像上的识别能力强大，但在处理动态面部表情时，其表现与人脑存在显著差异。

研究团队来自达特茅斯学院与博洛尼亚大学，他们针对深度卷积神经网络（DCNNs）进行了研究，这是人工智能中用于识别视觉图像的关键组件。这种网络的命名和结构都灵感来自人脑的视觉通路组织，具有逐层增加复杂性的多层结构。

然而，问题出现在人脑处理动态面部表情时。当前的AI设计主要用于静态图像的识别，而这项研究发现，AI无法有效模拟人脑在处理变化表情的情境中的工作方式。

研究中，团队通过使用不同族裔、年龄和表情的面部视频进行测试，与以往主要使用静态图像不同。结果显示，尽管人脑对面部的神经表征在参与者之间高度相似，而AI对面部的人工神经编码在不同DCNNs之间也高度相似，但是与DCNNs的脑活动相关性较弱。这表明，目前的人工神经网络仅能捕捉到人脑信息的一小部分，尤其是在处理动态面部时。

研究的共同主笔之一Jiahui Guo士表示：“科学家们试图将深度神经网络作为了解大脑的工具，但我们的研究结果表明，这个工具目前与大脑相去甚远。”

该研究强调，人脑在面部处理中不仅仅是确定一个面孔与另一个面孔是否不同，还包括推断其他信息，如思维状态、友好度和信任度。而当前的DCNNs仅被设计用于识别面孔，无法涵盖这些复杂的认知过程。

詹姆斯·哈克斯比教授指出：“当你看着一个面孔时，你获得了关于那个人的很多信息，包括他们可能在思考什么、感觉如何，以及他们试图传达什么样的印象。”相比之下，AI只能确定一个面孔是否与另一个不同，无法进行更深层次的认知处理。

研究建议，为了使AI网络更准确地反映人脑处理面部信息的方式，开发者需要构建基于真实生活刺激的算法，而不仅仅是依赖静态图像。这意味着在设计人工智能系统时，需要考虑动态面部表情的复杂性，以更好地模拟人类认知和社交互动的过程。