不能。因為人工智慧或者說機器學習最基本的就是訓練，訓練即為使用大量的正負樣本老告訴電腦結果，資料多了，就訓練處一條“辨別線”，線上一側就是，另一側就不是。人都識別不了，也就意味著沒有樣本，那就無法訓練

如果問“人眼都識別不出來的物體，能用機器識別出來嗎？”答案是“只要機器（感測器）選擇得當，完全可能識別出來。”可是本問題卻是“人眼都識別不出來的物體，能開發一個演算法用機器識別出來嗎？”回答是“能不能把人眼識別不出來的物體識別出來的關鍵，不在於你有什麼樣的一個演算法；而在於你的機器選用的探頭，或者說選用的感測器所針對的檢測資訊物件，與你那個“人眼識別不出來的物體”的特徵匹配不匹配。而計算機演算法，或者說機器的演算法只起著輔助作用。

舉個例子，兩個外觀完全相同的包裝盒，一個裡面是鐵，另一個是石頭；或者說兩個外觀刷了相同油漆的物體，一個是鐵，一個是石頭，你用眼能區分它們嗎？不能。好，給你塊磁鐵去試一試。嘿！一下子就分出來了。不給你磁鐵，也不給你磁性感測器，只給你一臺機器人，或者一臺計算機，甚至你要什麼演算法就給你儲存進去什麼演算法，讓它們去接近需要判斷的物體，能將它們識別開嗎？不能！還必須給已經儲存了演算法的機器人或計算機提供磁感測器，以獲取必要的資料引數，供機器人或計算機透過演算法計算，才能判斷出哪個是鐵，哪個不是鐵。

用感測器對人眼識別不出來的物體進行識別的時候，從識別用的訊號來源的角度，可以分為被動式識別和主動式識別兩大類。例如，剛才提到的用磁感測器探測鐵塊就屬於被動式檢測，因為不需要你或者機器來控制什麼時候讓它發出磁性進行探測、什麼時候讓它關閉磁性進行接收與計算。又如，人臉識別感測器也屬於被動式檢測，還有紅外探測器等等。醫院裡給人體中用人眼看不到的部位做超聲波（B超）檢查的超聲波探測器屬於主動式的檢測，因為人體內部沒有超聲波發出，需要用超聲波探頭（超聲波感測器）首先向人體內部發射超聲波，然後接受並分析反射回來的超聲波，透過演算法計算，最後顯示在顯示屏上。水下聲納工作原理也是也是用聲波（含超聲波、次聲波）感測器接收水中的聲波，以判斷水下有沒有潛艇、魚類，水面有沒有船舶、，聲納有主動式和被動式兩種型別，不過只有被動式才能計算探測器與被探測到的物體之間的距離。雷達的工作原理接收空中的無線電波，以判別人眼所不及之處的物體，包括飛機✈️、導彈、雲層☁️等，它也有主動與被動之分，主動式可以判斷與被探測物體之間的距離，被動式便於隱身。這些複雜的探測器都要有“演算法”控制，尤其是主動式的探測更是離不了“演算法”。

歸根結底，一句話，識別人眼識別不出來的物體，是有可能可以透過機器進行探測與識別的，但識別的成功與否取決於你選擇什麼樣的感測器。你對你要識別的物體的物理屬性必須搞清楚了，才有可能去選擇具有對應屬性的感測器。

一般來說，對於這些目標的識別，可以基於DL上的異常思路來處理。如果你有現成的模型來做，為了減少工作量，建議你可以參考下下面的思路：從影象增廣與影象預處理的角度，如何突出識別目標，好的影象預處理方法能讓模型事半功倍，在此基礎上結合影象增廣方法可以讓模型更魯棒引入額外資訊，有些判定結果可能基於其他的資訊做參考會更為準確；從資訊理論角度來說，引入額外資訊理應使得模型能力更強。