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
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 。
【“暗黑版”AI现身引忧虑 我们需要怎样的人工智能？】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 。 ”
偏见、刻板印象、歧视都是人类社会的痼疾，有些流于表面，有些深入社会肌理，无法轻易剥离 。 在这样的语境中产生的数据，携带着大量复杂、难以界定、泥沙俱下的观点 。 如果研究者没有意识到或着手处理这一问题，机器学习的偏见几乎无解 。 真正的“公正算法”或许是不存在的 。
推荐阅读
- 一大批“机器劳动者”来袭，让人想偷懒
- 智解风云变幻：中国气象踏响“现代化节拍”
- 日媒：中韩日欧的家用机器人“百花齐放”
- 机器人、3D打印：看科技与医疗如何“擦出火花”
- 智能汽车“驶向”现实，还要再闯几道关？
- 国产工业机器人有点“笨” 算法如何精益求精？
- 世界上最“倒霉”的机器人出现 价值30万元
- 谁为大王为此计者是什么句式
- 人脸识别突飞猛进 更要看好“我们的脸”
- 谁言寸草心的言什么意思