文章插图
近日 ， 麻省理工学院媒体实验室出品了一个“暗黑版AI” ， 再次将人工智能的黑箱隐忧这个经久不衰的话题送上热门 。 据报道 ， 实验室的三人团队联手创造了一个叫诺曼（Norman）的人工智能 ， 与希区柯克经典电影《惊魂记》中的变态旅馆老板诺曼·贝兹同名 。
名如其人 。 诺曼会以负面想法来理解它看到的图片 。 例如 ， 一张在一般AI看来只是“树枝上的一群鸟”的普通图片 ， 在诺曼眼中却是“一名男子触电致死” 。
团队希望通过诺曼的表现提醒世人：用来教导或训练机器学习算法的数据 ， 会对AI的行为造成显著影响 。 AI会成为什么样 ， 有时人类可能束手无策 。
TA们的偏见就是人类的偏见
【“暗黑版”AI现身引忧虑 我们需要怎样的人工智能？】诺曼们从哪来？答案首先藏在数据里 。
“人工智能识别出的结果不是凭空而来 ， 是大量训练的结果 。 如果要训练AI某一方面的能力 ， 比如下棋 ， 就需要收集、清洗、标记大量数据供机器学习 。 如果用于训练的数据不够多 ， 就会造成AI学习的不充分 ， 导致其识别结果的失误 。 ”中科院自动化研究所研究员王金桥对科技日报采访人员表示 。 数据本身的分布特性 ， 如偏差甚至偏见 ， 也会被机器“有样学样” 。 针对诺曼的表现 ， 创造它的实验室也指出 ， “当人们谈论人工智能算法存在偏差和不公平时 ， 罪魁祸首往往不是算法本身 ， 而是带有偏差、偏见的数据 。 因为当前的深度学习方法依赖大量的训练样本 ， 网络识别的特性是由样本本身的特性所决定 。 尽管在训练模型时使用同样的方法 ， 但使用了错误或正确的数据集 ， 就会在图像中看到非常不一样的东西” 。
另外是算法本身的影响 。 “这可能是无法完全避免的 ， 由深度学习算法本身的缺陷决定 ， 它存在内在对抗性 。 ”王金桥表示 ， 目前最流行的神经网络不同于人脑的生物计算 ， 模型由数据驱动 ， 和人类的认知不具有一致性 。 基于深度学习的框架,必须通过当前训练数据拟合到目标函数 。 在这个框架之下 ， 如果机器要识别狗 ， 它会通过狗的眼睛、鼻子、耳朵等局部特征进行可视化识别 ， 而这些可视化特征却能给想利用深度学习漏洞的人机会 ， 后者可以通过伪造数据来欺骗机器 。
除了人训练机器的数据本身有偏差以外 ， 机器通过对抗性神经网络合成的数据也可能有问题 。 由于机器不可能“见过”所有东西（比如识别桌子 ， 机器不可能学习所有长短宽窄各异的桌子） ， 人也不可能标记所有数据 。 如果研究者输入一个随机的噪音 ， 机器可以向任何方向学习 。 这是一把双刃剑 ， 机器也可能合成一些有问题的数据 ， 学习时间长了 ， 机器就“跑偏”了 。
数据的均衡或可减少“跑偏”
不少科学家以“garbage in, garbage out”来形容“数据和人工智能的关系” 。 中科视拓（北京）科技有限公司CEO刘昕说：“对机器学习而言 ， 进什么就出什么 。 监督学习就是让模型拟合标签 ， 比如训练者把帅哥都标记成‘渣男’ ， 那么机器看到刘德华 ， 就会认为他是……”谈到诺曼引发的讨论 ， 刘昕表示：“不需要担心 ， 人类本身就有各种歧视和偏见 ， 用人类生产的数据训练AI ， 再批判AI不够正直良善 ， 这么说有点危言耸听 。 ”
推荐阅读
- Google成功“造人”，令人胆寒！人类离失业还有多远？
- 如何驯养小狗
- 十二星座中最好骗的星座，巨蟹座上榜，最后一位堪比“唐僧”
- 如何理解物以稀为贵
- “冷气十足”，那些能将你逼疯的星座
- “负荆请罪”的廉颇和蔺相如 负荆请罪的主人公是谁
- 揭秘男人的“处女情结”
- 都是凭实力单的身，偏你这么“优秀”了?
- 二特是什么狗
- “二人同心，其利断金”来自哪里？ 二人同心其利断金什么意思