class="topic_img" alt=""/>
一直以来，通过研究表明，人类研发的机器也能学习到人类看待这个世界的视角，无论其是否有意。对于阅读文本的人工智能来说，它可能会将“医生”一词与男性优先关联，而非女性，或者图像识别算法也会更大概率的将黑人错误分类为大猩猩。
2015 年，Google Photos 应用误把两名黑人标注为“大猩猩”，当时这一错误意味着谷歌的机器学习还处于“路漫漫其修远兮”的状态。随后，谷歌立即对此道歉，并表示将调整算法，以修复该问题。近日，作为该项错误的责任方，谷歌正在试图让大众了解 AI 是如何在不经意间永久学习到创造它们的人所持有的偏见。一方面，这是谷歌对外 PR（公共关系）的好方式，其次，AI 程序员也可以用一种简单的方法来概述自己的偏见算法。
YouTube 视频：https://qz.com/1064035/google-goog-explains-how-artificial-intelligence-becomes-biased-against-women-and-minorities/
在该视频中，谷歌概述了三种偏见：
互动偏差：用户可以通过我们和其交互的方式来偏移算法。例如，谷歌把一些参与者召集其起来，并让他们每人画一只鞋，但多半用户会选择画一只男鞋，所以以这些数据为基础的系统可能并不会知道高跟鞋也是鞋子。
潜在偏差：该算法会将想法和性别、种族、收入等不正确地进行关联。例如，当用户在 Google Search 搜索“医生”时，出现的大多为白人男性。
此前 Quarts 发布了一则相关新闻，该报道称，经普林斯顿大学最新研究成果表明，这些偏见，如将医生与男性相关联，而将护士与女性关联，都来自算法被教授的语言的影响。正如一些数据科学家所说：没有好的数据，算法也做不出好的决策。
选择偏差：据了解，用于训练算法的数据量已经大大超过全球人口的数量，以便对算法实行更好的操作和理解。所以如果训练图像识别的数据仅针对白人而进行，那么得到的数据也只能来自 AI 的认定。
图片来源：Qaurtz
去年 6 月， “青年实验室”（英伟达、微软等科技巨擘均是该实验室的合作伙伴和支持者）举办了一次 Beauty.ai 的网络选美大赛。该比赛通过人工智能分析，征集了 60 万条记录。该算法参考了皱纹、脸部比例、皮肤疙瘩和瑕疵的数量、种族和预测的年龄等等因素。最后结果表明，种族这一因素比预期发挥了更大的作用：在 44 名获奖者当中，其中有 36 人为白人。
事实上，关于算法中含有性别、种族偏见的研究和报道，早已有之。而据雷锋网此前报道，要消除这些偏见，并不容易。正如微软纽约研究院的高级研究员 Hanna Wallach 所说：
『只要机器学习的程序是通过社会中已经存在的数据进行训练的，那么只要这个社会还存在偏见，机器学习也就会重现这些偏见。』
Via Quartz
相关文章
