2025年10月19日的一个阳光明媚的早晨，四名男子闯入了全球访问量最高的博物馆——巴黎卢浮宫，仅用了不到八分钟，便盗走了价值8800万欧元（约1.01亿美元）的王冠珠宝。这起案件震惊了世界，因为卢浮宫是全球安保最严密的文化机构之一，而盗贼几乎在没有触发任何警报的情况下就消失在巴黎的街头车流中。
调查显示，这些盗贼伪装成建筑工人，穿着高可视背心，借助常用于搬运家具的升降机进入博物馆，从塞纳河边的阳台进入展厅。他们看起来完全像是这里的一员，以至于游客和保安都没有察觉异常。
这起案件之所以能够得手，关键在于人类对世界的认知方式。我们并不是完全客观地观察，而是通过“类别”和“预期”来理解周围的人和事。盗贼正是利用了人们对“正常行为”的固有假设，成功避开怀疑。
社会学家欧文·戈夫曼提出的“自我呈现”理论恰好解释了这种现象：人们在社交中会根据他人的期望表现自己，而盗贼正是扮演了人们预期的社会角色。这种“正常”的伪装，使他们能够轻松混入环境。
人工智能（AI）系统在工作原理上也有相似之处。无论是面部识别，还是公共场所的异常行为检测，AI都依赖于模式识别，将观察到的行为归类为“正常”或“可疑”。这些分类系统学习的是训练数据中的模式，而非客观现实。因此，AI也会继承人类的偏见：某些群体可能被过度关注，而另一些则被忽略。
在卢浮宫案例中，盗贼被视为“可信的人”，因此没有引起注意。同样，在算法系统中，不符合统计常规的行为更容易被标记为异常，而符合常规的行为可能被忽略。这揭示了一个重要问题：无论是人类还是机器，分类都是双刃剑，它既帮助我们快速理解世界，也会加深已有的假设和偏见。
盗贼的成功提醒我们，表象可能会蒙蔽我们的判断。正如博物馆保安因为盗贼看起来“正常”而忽视他们，AI系统也可能忽略某些模式，却对其他模式反应过度。
这起事件的教训十分清晰：在我们希望让机器更准确地观察世界之前，我们必须首先学会质疑自己的感知。人类感知和人工智能背后的逻辑，都是基于模式识别和社会类别，而这些类别既可以保护我们，也可能让我们盲目轻信表象。卢浮宫盗贼的成功，不仅是精心策划的胜利，也是对我们观察世界方式的警示。
本文译自：arstechnica .由olaola编辑发布