因為“歧視”和“偏見”，AI暫時還做不了人的主

原標題：因為“歧視”和“偏見”，AI暫時還做不了人的主

關于AI歧視我們也聊了很多，比如相貌偏見、語言歧視等，但AI的歧視顯然不僅只在這一個淺顯的領域。在其相貌和語言歧視的背后，矗立的其實是AI對這個社會全方位的片面判斷。

那么，AI的歧視問題也就不是一個簡單的算法問題了。今天我們就再聊一聊AI的偏見問題，以及面對它，我們究竟能做些什么。

始作俑者的人類本身：AI歧視產(chǎn)生的根源

首先我們需要清楚的是，發(fā)生AI歧視這種事情的原因在哪里。目前來看，大體上有兩個個方面。

1. 數(shù)據(jù)和算法的限制。

首先是數(shù)據(jù)的限制。AI對事物作出的判斷不是憑空或者隨機而得的，它必須要經(jīng)過一些列的訓練學習才可以。那么，如果要訓練它在某方面的能力，就要將相關領域的數(shù)據(jù)搜集起來供其學習。在這一方面，如果數(shù)據(jù)訓練量不足，那么就會造成AI學習的不完備，其也就可能作出錯誤的判斷。

而數(shù)據(jù)限制的另一方面則來自數(shù)據(jù)本身。比如某個群體會有一些共性的特征，那么AI將會把這些大多數(shù)的共性特征數(shù)據(jù)作為標簽來用。一旦對象不在這個群體特征里，或屬于這個群體的少數(shù)特征，其就有可能采取否定的態(tài)度。

其次則是算法的限制。程序員在設置AI學習程序的時候，無法做到過濾到每一條消極的信息。因此，AI在經(jīng)過大量的數(shù)據(jù)學習之后，其會自動匹配不同群體之間的關鍵詞，然后做出判斷。比如職業(yè)的男女分化問題。

事實上，目前我們面臨的所有AI的歧視問題基本上是圍繞著這兩個方面展開的。數(shù)據(jù)學習不夠多，或者數(shù)據(jù)學習夠多之后，其學習范圍超出了程序員設定的內容，然后開始進行自我學習和判斷。這就造成了歧視行為的發(fā)生。

2. 人類固有偏見的強化。

但AI的歧視問題的根源并不在于數(shù)據(jù)和算法。在一定程度上，AI的歧視實際上是人類偏見的一種顯現(xiàn)和強化。人類是善于進行言語上的克制的，或者表現(xiàn)出在溝通交流中的表面客套。長此以往，人們似乎把隱藏自己對別人的偏見當成了一種有素質的美德。問題變成了你心里歧視與否不重要，面上做得好，你就是一個好人。

在這方面，做慈善的被曝丑聞后對比尤其突出。

而AI出現(xiàn)的意義之一就是打破了人們維持表面友好的自我欺騙的情況，它把那些被人們刻意隱藏的，并且似乎被隱藏得很好的東西重新抖摟了出來。這就是顯現(xiàn)，那么為什么說會得到強化呢？

首先，AI學習就是一個排除的過程，比如對圖像語義分割，它要找到眼球，就必須要先進行圖像的分割，否定其他不適眼球的東西。同理，要招到一個合適的員工，它也是重點去排除不合適的選項。否定的過程，就是一個強化的過程。

其次，是基于AI的特殊屬性。AI是有史以來第一個人造的、有自己的判斷能力的事物，當它出現(xiàn)一些違背人類維持表面友好而設定的一些規(guī)則的時候，人們一方面感到驚異，另一方面則會由此而進一步看清自己。它毫不留情地折了人類的面子，自然換來了更大的關注。

算法的限制和對人類固有觀念的強化，大抵可以說明了AI歧視橫行的原因所在。

AI歧視不僅類別多，影響可能還很大

如果我們僅僅是被AI歧視了，并且知道它的歧視是算法和人類本身問題所致，那也就無需擔心。畢竟，歧視無處不在，心理足夠強大，任何歧視都夠不成火力傷害。論不要臉的自黑精神，似乎沒誰能比得過現(xiàn)代人。

但是，當AI不僅僅是歧視你，還要對你做出判斷，決定你的人生、工作、地位……的時候，你還能對它的歧視坐視不管嗎？

比如現(xiàn)在非常流行一個概念，用AI來進行招聘。在理論上來講，它能夠通過學習既有的員工資料來篩選最符合公司需求的新人。對這些員工進行標簽分類是學習的一環(huán)，能力強、口才好、實習經(jīng)驗豐富等可能會被篩選出來，但是，萬一在這些樣本中，AI找到了其他具有高度相同但和招聘又無關的標簽了呢？

比如這些人可能男生多一點，它可能會認為女生不適合這項工作；如果城市戶口的人多一點，來自農村的就有可能被篩掉；如果23歲以前的人多一點的話，那23歲以后的人就可能被認為不適合……

你看，僅僅就是這幾個方面，就已經(jīng)涉及到性別歧視、地域歧視、年齡歧視了。雖然人們開發(fā)AI進行招聘是為了避免面試官會憑主觀印象決定去留，但太過于客觀的AI招聘同樣也會引發(fā)一些值得考慮的問題。

再比如把AI布置在警務工作當中。最近一段時間提到最多的就是利用AI幫助識別甚至是預測罪犯。比如去年上海交大的一篇論文中提出，可以通過人的樣貌進行分析，來判斷此人是否有犯罪的傾向。簡單來說，就是看你是不是長了一張“犯人臉”。而美國的警察也在最近試圖部署一套警務系統(tǒng)，來預測犯罪發(fā)生的人員相關、地理區(qū)域等，然后來針對性加強監(jiān)控。英國來采用過類似的方法來預防犯罪。

這其中自然存在著嚴重的問題?？础叭四槨本湍鼙孀锓?？雖然相貌歧視確實一直存在，但基本上都是基于五官的缺陷?，F(xiàn)在居然升級了。美國的預測犯罪往往會把黑人和黑人集中區(qū)域當做重點預測對象，這是很難令人接受的。尤其是美國這樣一個對黑人歧視非常忌諱的國家，AI即便不是個人，這一舉動也會招致人們的討厭。英國就更不用說了，他們的這個監(jiān)視系統(tǒng)運行了一段時間之后，窮人被特別針對了，因此最終不得不緊急下線。

從這幾個案例當中，我們發(fā)現(xiàn)，AI還存在著相貌歧視、種族歧視、貧富歧視。除此之外，AI的歧視還深度存在于各行各業(yè)當中，甚至未來的一天我們可能真的會像《黑鏡》當中一樣戴一個隱形眼鏡，然后就可以看到眼鏡對面來人的安全度識別。高安全度也不一定真的安全，很有可能是刷出來的呢？

也就是說，AI的歧視是一個綜合性的東西。問題又來了：難道因此我們就要將AI廢棄嗎？我們人類就那么玻璃心嗎？

當然，棄用AI不現(xiàn)實，這是一個因噎廢食的行為。它畢竟還在深刻地改變著我們的這個社會。但是，隨著AI的大規(guī)模應用，努力減輕甚至是消除AI的偏見，也已經(jīng)顯得迫在眉睫。

怎能坐視不管：AI歧視的解決之道

谷歌的一款數(shù)據(jù)庫被人們發(fā)現(xiàn)有存在著明顯的性別歧視。比如一個簡單的問答，巴黎：法國，那么東京：X，系統(tǒng)就會給出X=日本。如果是“父親：醫(yī)生”，其則將會對應“母親：護士”；“男人：程序員”，“女人：家庭主婦”，諸如此類。

研究者們創(chuàng)建了一種“硬性糾錯”的方法。簡單來講，就是把系統(tǒng)判斷出的對應關系放到一個論壇平臺上去發(fā)布并詢問是否合適。如果有一半的人認為不合適，那么這個類比就不恰當。這種方式進行了一段時間之后，對AI進行單詞搭配的改善效果是非常顯著的。

這個方法雖然有效，但是明顯看出它只能適用于一些數(shù)據(jù)范圍較小的方面。比如某一家公司的招聘，可以在招聘之前對AI進行訓練，然后找出問題，再用這種方法進行硬性糾錯。但是如果要用它來解決AI所有的問題，卻有點不現(xiàn)實。

哥倫比亞大學的研究者們則開發(fā)出了另外一種方式。深度學習研究的進步是AI復活的一個重要因素，但是AI的黑箱問題仍然沒有解決。因此，這些研究者們就試圖用打開黑箱的方式去弄明白為什么AI會做出一些錯誤的決定。他們開發(fā)出了一個能在神經(jīng)網(wǎng)絡中通過欺騙系統(tǒng)從而使其暴露自身缺陷的軟件，名叫“DeepX plore”。這個軟件能夠激活系統(tǒng)中幾乎百分之百的神經(jīng)元，從而讓整個神經(jīng)網(wǎng)絡去掃描錯誤。

也有其他的人建議從編程上去解決問題。但是從根本上來說，人類應該把AI的歧視當做一面鏡子，仔細審視自己在社會活動中種下的禍根。由此，不斷減少自己實際意義上的歧視和偏見。只有學習的內容消失了，AI才可能避免產(chǎn)生歧視的問題。

但是我們仍然要注意的一個問題是，用“偏見”和“歧視”去概括AI所有的“區(qū)別對待”是不合適的。人類發(fā)展到現(xiàn)在，不同職業(yè)對人有不同的要求，男人耕田女人織布反映的其實是歷史經(jīng)過長期發(fā)展后的自然分工。那么，在處理AI歧視問題的時候就不是一個簡單的算法糾正了，它還涉及到社會學、經(jīng)濟學等各個方面的問題。

這樣來看，解決AI的歧視和偏見，我們可能仍然有很長的路要走。目前能做的就是，生殺大權這件事兒，還是交給人類自己吧。

生成海報

免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產(chǎn)權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。