QQ在線
企業(yè)微信
資訊
1032
人工智能機器人沒有感情，也會區(qū)別對待人類？
人有七情六欲，所以在對待一些事情上，很多雖然說好是秉公辦理，公事公辦，但多少都會有所偏差，會感情用事，這個無可避免，智能盡量減少，但在大眾的認知中，人工智能的決策都是絕對理性與客觀的，因為我們知道背后驅使它的是冷冰冰卻比千言萬語更接近事實的數(shù)據(jù)，然而，近期專家發(fā)現(xiàn)，人工智能其實也會帶著有色眼鏡去看人。
據(jù)國外媒體報道，斯坦福大學的一項研究顯示，亞馬遜、蘋果、谷歌、IBM和微軟的語音識別系統(tǒng)存在種族差異，在白人用戶中出現(xiàn)的錯誤，要比在黑人用戶中少得多。
研究顯示，這五大科技公司的語音識別系統(tǒng)在白人中錯誤識別單詞的概率為19％。而在黑人用戶中，則提升至35％。此外，大約2％的白人音頻片段被這些系統(tǒng)認為是不可讀的。而在黑人用戶中，這一比例卻高達20％。
美國國家標準與技術研究所（NIST）也曾測試了兩種最常見的人臉識別算法，得出了四點結論：
1． 在一對一匹配中，大多數(shù)系統(tǒng)對亞裔和非裔美國人比對白人面孔的假陽性匹配率更高，有時是10倍甚至100倍。
2． 這種情況在亞洲國家發(fā)展的人臉識別算法中有所改變，在亞洲和白人之間，假陽性的差異非常小。
3．美國開發(fā)的算法始終不擅長匹配亞洲、非洲裔美國人和美洲原住民的面孔。美國原住民得到的是錯誤率最高。
4． 在一對多的配對中，非裔美國女性的假陽性率最低，這使她們被錯誤指控犯罪的風險最高。
事實上，早在2015年就已經(jīng)存在計算機視覺技術犯錯的例子，表明人工智能技術存在對女性和有色人種的偏見，實例包括Google 等科技業(yè)巨頭所提供的高人氣網(wǎng)絡服務，Google 照片應用程序（Google Photos app）被發(fā)現(xiàn)將非裔美國人標記為「大猩猩」，谷歌曾也為此進行公開道歉。
在探討如何消除人工智能的不客觀之前，我們先來看看AI的有色眼鏡到底從何而來。
數(shù)據(jù)是“罪魁禍首”
現(xiàn)階段讓AI提升認知世界能力的最有效途徑仍然是監(jiān)督學習，而目前AI算法能學習的數(shù)據(jù)，幾乎全部都是通過人力逐一進行標注而得來的，數(shù)據(jù)集質(zhì)量的高低直接決定最終模型的效果。
數(shù)據(jù)標注者通常是人類，而人類是“復雜”的生物。這也是導致AI產(chǎn)生偏見的一個主要因素，大多數(shù)機器學習任務都是使用大型、帶標注的數(shù)據(jù)集來訓練，AI會基于開發(fā)者提供的訓練數(shù)據(jù)推斷出規(guī)律，再將規(guī)律套用在某些資料中。
打個比方，在人臉識別應用中，如果用于訓練的數(shù)據(jù)里白人男性比黑人女性更多，那白人男性的識別率將會更高。
導致AI產(chǎn)生偏見另一個原因可以歸于算法本身，一個常見的機器學習程序會試圖最大化訓練數(shù)據(jù)集的整體預測準確率。
有缺陷的算法還會造成惡性循環(huán)，使偏見越發(fā)嚴重。例如谷歌翻譯，會默認使用男性代詞，這是因為英語語料庫中男性代詞對女性代詞的比例為2：1。
算法的原則是由AI自行進行學習，乍看之下很有效率。不過，一但提供的資料不夠全面，或開發(fā)者沒有想方設法避免歧視，AI推導出的結果便很容易帶有偏見。
AI并不理解“偏見”
偏見這個詞是人類創(chuàng)造的，也是人類定義的，AI并不能理解偏見的含義。
機器學習的方法會讓AI帶上了有色眼鏡，但是改變 AI 學習的方式也不是好的解決方式。
或許我們應該從自己身上找找原因，畢竟導致AI產(chǎn)生偏見的原因，有部分要歸咎于他們所使用的語言。人們需要弄清楚什么是偏見，以及偏見在語言中的傳遞過程，避免這些偏見在日益強大的 AI 應用中更大范圍的傳播。
前微軟副總裁沈向洋博士曾在公開課《打造負責任的AI》中指出：“人工智能已經(jīng)開始做出人類無法理解的決定了，我們需要開啟人工智能的黑箱，了解AI做出決定背后的原因?！?/span>
算法之所以會對人類進行區(qū)別對待，原因在于訓練算法用的基準數(shù)據(jù)集通常是來自新聞和網(wǎng)頁的數(shù)據(jù)，就存在著由語言習慣造成的“性別偏見”，算法也自然“繼承”了人類對這些詞匯理解的性別差異。
AI技術距離完全消除技術偏見還有很長的一段路，但各大巨頭也已經(jīng)在技術層面做出努力。
谷歌開源了一項名為“What－If Tool”的探測工具，IBM將研發(fā)的偏見檢測工具—AI Fairness 360 工具包開源，包括超過 30 個公平性指標（fairness metrics），和 9 個偏差緩解算法，研究人員和開發(fā)者可將工具整合至自己的機器學習模型里，檢測并減少可能產(chǎn)生的偏見和歧視。
人類的行為是收到外界影響的，而這種語言傳統(tǒng)中出現(xiàn)的偏見，是在人文歷史中不斷加深嵌入的，在“偏見”通過代碼傳播之際，我們必須弄清楚，是否簡單的語言學習就足以解釋我們觀察到傳播中出現(xiàn)的偏見。
最重要的是大眾需要了解“偏見”從何而來，從而在社會中消除這種不文明的“偏見”。
