八大現(xiàn)象論證人工智能威脅論真的存在！

如今人工智能發(fā)展火熱，機器學習預(yù)見成熟，智能化未來似乎指日可待。表面上似乎一切都在按部就班的進行，但背后也不乏暴露出很多問題。就像近期人工智能威脅論就引發(fā)了不少的言論激戰(zhàn)，揪其根源還是人工智能是否能夠有意識違背人類意愿操控事務(wù)的問題。

因此，我們或許想問：人工智能機器人究竟有多強大？機器人真的會“反噬”人類嗎？《終結(jié)者》里的Skynet（天網(wǎng)）會真的發(fā)生在現(xiàn)實生活中嗎？

強弱AI

首先我們應(yīng)該區(qū)分兩個概念：強AI和弱AI。強AI 是指一種能夠思考并可以感知自身存在的假想機器。它不僅可以解決人類為其定制的任務(wù)，還可以學習新事物。

弱AI目前很常見，它是一種用于解決特定問題的應(yīng)用程序，例如圖像識別、汽車駕駛、playing Go（圍棋）等，也就是我們常說的“機器學習”。

目前，我們還無法預(yù)測強AI什么時候能夠真正被研發(fā)出來。專家們經(jīng)過調(diào)研推斷的結(jié)果也是“有朝一日”。

相比強AI，弱AI目前已經(jīng)存在，很多領(lǐng)域都可以看到弱AI的身影，并且應(yīng)用范圍每年都在增長。通過實例學習，機器學習幾乎可以讓我們在無需編程的情況下處理實際任務(wù)。

人工智能威脅論真的存在嗎？

我們通過建立數(shù)學模型（“學習”算法），教會機器人解決具體問題。機器人會按照我們規(guī)劃好的模型法去執(zhí)行任務(wù)，也就是說機器學習的一切行為都是基于我們的操控，我們似乎不用擔心電影《終結(jié)者》天網(wǎng)的發(fā)生。但如果我們抱有這樣天真的想法，我們就錯了，因為機器學習仍然可能違背人類的意愿去執(zhí)行錯誤的任務(wù)。

1．不良企圖

如果我們教一個無人機軍隊使用機器學習去殺人，那么結(jié)果是否符合道德行為標準？

基于這個話題還發(fā)生過一場鬧聞。2017年，谷歌正在開發(fā)一款用于軍事項目的軟件，名為Maven。該項目涉及到無人機，以及未來完全自主武器系統(tǒng)的制造。因此，谷歌的12名員工辭職以示抗議，另外有4000名員工簽署了一份請愿書，要求公司放棄與軍方的合同。與此同時，人工智能、倫理學領(lǐng)域的1000多名知名科學家一起寫了一封致谷歌的公開信，要求該公司放棄該項目并支持禁止自主武器的國際協(xié)議。

2．開發(fā)者偏見

即使機器學習算法開發(fā)人員沒有惡意，但他們中的很多人還是金錢價值觀，他們的最終目的還是為了賺錢。也就是說，他們的算法是為了使自己受益而創(chuàng)建的，并非是為了社會利益。例如，一些醫(yī)療算法會推薦昂貴的治療方法，卻很少推薦最佳患者治療方案。

實際生活中算法的道德規(guī)范問題似乎也沒有很大體現(xiàn)。例如，交通速度和車禍死亡率之間是可以存在折中方案的。我們可以將自動駕駛汽車的最高行駛速度限制在15英里＼小時以下，這樣幾乎可以將車禍死亡率降到零，但這樣卻損失了汽車的其他優(yōu)勢。

3．違背邏輯規(guī)范

電腦系統(tǒng)在默認的情況下，對邏輯規(guī)范一無所知。一種算法可以將國家預(yù)算與“最大化GDP／勞動生產(chǎn)率／預(yù)期壽命”的目標結(jié)合起來，但如果沒有在模型中編制限制，它可能會取消學校、收容所和環(huán)境的預(yù)算，因為它們不會直接增加GDP。

為了一個目標，我們可以讓機器學習執(zhí)行任何一個復雜任務(wù)，但前提是要融入相關(guān)的邏輯規(guī)范。

4．改變?nèi)祟惼?/strong>

機器學習給我們的生活帶來了很多便利，但無形之中也在改變我們的生活常態(tài)甚至個人行為偏好。例如智能電影推薦，機器學習會根據(jù)您對電影的評分，將您的偏好與其他用戶進行對比，然后向您推薦電影。長期下來，您的偏好將因為電影推薦系統(tǒng)而被改變，興趣范圍也會被縮小。

但可怕的是，我們并沒有意識到這種改變的發(fā)生，沒有意識到計算機對我們的操控。

5．錯誤的相關(guān)性

當完全彼此獨立的事物表現(xiàn)出非常相似的行為時，就會產(chǎn)生一種虛假的關(guān)聯(lián)，這就會造成一種錯覺，認為它們之間存在某種聯(lián)系。例如，你會認為美國的人造黃油消費與緬甸州的離婚率密切相關(guān)嗎？

我想任何一個有點學識的人都不會認為二者是相關(guān)的。但數(shù)學模型不具備這樣的經(jīng)驗學識，它只是用來學習和數(shù)據(jù)概括的工具，在它的邏輯系統(tǒng)里，這樣相似性的曲線變化表明二者之間一定有著某種聯(lián)系。

6．反饋循環(huán)

相比錯誤相關(guān)性，反饋循環(huán)影響更大。反饋循環(huán)是指算法決策影響現(xiàn)實的情況，反過來又使算法確信其結(jié)論是正確的。

例如，加利福尼亞的一項預(yù)防犯罪計劃表明，警察應(yīng)該根據(jù)當?shù)氐陌讣?shù)量斷定犯罪率，然后根據(jù)犯罪率派遣相應(yīng)的警官。但最終會陷入到這樣一個循環(huán)里：一個街區(qū)的警察增加，當?shù)鼐用竦膱缶螖?shù)就會增多，從而增高犯罪率，按照預(yù)防犯罪計劃就要派遣更多的警察，警察數(shù)量增多，人們的報案數(shù)量就又增多，報案率上升，便又增加警察數(shù)量······

7．“被污染”的參考數(shù)據(jù)

算法學習的結(jié)果很大程度上取決于參考數(shù)據(jù)，它們構(gòu)成了學習的基礎(chǔ)。然而，數(shù)據(jù)很有可能會因為某種偶然的情況或是個人意圖而發(fā)生扭曲，即數(shù)據(jù)“被污染”。

一個經(jīng)典的例子就是2016年微軟推出的聊天機器人Tay，微軟將這款機器人視為“對話理解”的實驗。微軟表示，與Tay進行的聊天越多，它就會越聰明。但是微軟的此次聊天實驗卻只進行了24小時就不得不停止，因為無辜的聊天機器人竟然在24小時內(nèi)被教會了大量種族歧視、性別歧視的用語。Tay的案例為機器學習的研發(fā)工作敲了警鐘，反應(yīng)了“被污染” 數(shù)據(jù)的嚴重性。

8．機器欺騙

即便是一個功能、數(shù)據(jù)都良好的模型，它工作原理的泄露也會讓惡人鉆了空子。例如，有一組研究人員研發(fā)了一種可以欺騙面部識別算法的特殊眼鏡，這種眼鏡會在圖像中引入最小的失真，從而改變面部識別結(jié)果。

怎樣解決？

2016年，奧巴馬政府的大數(shù)據(jù)工作組發(fā)布了一份報告，警告：“在自動化決策中可能存在編碼歧視”。該報告還呼吁創(chuàng)建遵循平等原則的算法。

但將報告完全落實應(yīng)用就很難了。

首先，機器學習數(shù)學模型很難測試和修復。因為在機器學習中，一切都取決于學習樣本的大小，樣本的數(shù)量是有限的。

舉一個經(jīng)典的例子：早在2015年，軟件工程師JackyAlciné曾指出谷歌照片中的圖像識別算法將他的黑人朋友歸類為“大猩猩”。谷歌對此錯誤感到震驚，并向 Alciné表示歉意，承諾修復該錯誤。然而三年后，谷歌除了禁止在圖像標記中使用“大猩猩”等類似詞語外，并沒有其他更好的解決方案。

其次，機器學習算法的決策很難被理解和解釋。神經(jīng)網(wǎng)絡(luò)會在其內(nèi)部安排加權(quán)系數(shù)來得到答案。但其過程是怎樣的呢？錯誤答案如何被修正呢？

舉兩個例子：2015年的一項研究顯示，谷歌廣告高薪工作的瀏覽次數(shù)，男性高于女性。亞馬遜當天免費送貨服務(wù)，非洲裔美國人社區(qū)（黑人社區(qū)）卻享受不到?；谶@兩種情況，兩家公司均表示無法解釋這些由算法做出的決定。

基于這些算法決策，沒有人應(yīng)用受到責備。因此我們需要對機器人制定出一套法律法規(guī)來規(guī)定機器人的行為決策。2018年5月，德國人邁出了第一步，他們發(fā)布了世界上第一個自動駕駛汽車指南。部分內(nèi)容為：

與一切財產(chǎn)相比，人類生命至上。

不可避免性事故，不得有歧視，不得有任何區(qū)別性因素存在。

如果自動駕駛比人類駕駛造成的事故少，那么自動駕駛系統(tǒng)將成為道德要求。

很明顯，機器學習在個別任務(wù)的管理能力上確實比人類強，導致我們對機器學習的依賴程度越來越高。因此記住這些機器學習缺陷就顯得尤為重要，研發(fā)人員應(yīng)該在開發(fā)階段測試好所有可能存在的問題，并設(shè)置好算法的監(jiān)控措施。