每一項(xiàng)技術(shù)進(jìn)步都帶來(lái)了一股恐懼和不確定性。
一、克服毫無(wú)根據(jù)的恐懼
我們看到這種情況反復(fù)出現(xiàn)。自工業(yè)革命以來(lái)，人們一直在思考新技術(shù)對(duì)他們生活和工作的影響，今天我們看到，每一次人工智能突破之后，恐懼就會(huì)出現(xiàn)。盡管人工智能近年來(lái)取得了巨大進(jìn)步，但其仍處于早期階段，這帶來(lái)了一定程度的不確定性。這種不確定性只有在出現(xiàn)問(wèn)題或預(yù)期大于現(xiàn)實(shí)時(shí)才會(huì)加劇，從而導(dǎo)致誤解和焦慮。作為一名直言不諱的人工智能評(píng)論家，Elon Musk利用這一誤解，描繪了一場(chǎng)即將到來(lái)的人工智能大災(zāi)難的畫(huà)面，盡管他將強(qiáng)大的人工智能嵌入特斯拉的汽車中。所有這些都表明，在某種程度上，我們發(fā)現(xiàn)自己陷入了一個(gè)危險(xiǎn)的、不必要的炒作周期。
我們必須克服這種毫無(wú)根據(jù)的恐懼。現(xiàn)實(shí)是這樣的：今天沒(méi)有可信的研究支持這些末日?qǐng)鼍?。他們是令人信服的小說(shuō)。我喜歡看《終結(jié)者》，就像和我同齡的其他孩子一樣，但這些有趣的場(chǎng)景無(wú)法讓我們應(yīng)對(duì)人工智能帶來(lái)的直接威脅。
我們面臨的主要問(wèn)題是偏見(jiàn)和多樣性，這些問(wèn)題比奇點(diǎn)和機(jī)器人暴動(dòng)更直接，也更人性化。這些問(wèn)題包括嵌入的偏見(jiàn)和缺乏多樣性的領(lǐng)域和數(shù)據(jù)集。用有偏見(jiàn)的數(shù)據(jù)訓(xùn)練人工智能，我們可能會(huì)無(wú)意識(shí)地在人工智能中灌輸我們自己的偏見(jiàn)。如果不加以控制，偏見(jiàn)會(huì)導(dǎo)致人工智能對(duì)某些人有利，而其他人則會(huì)付出代價(jià)。如果不增加領(lǐng)域的多樣性，一些人將對(duì)人工智能創(chuàng)造背后隱藏的決策產(chǎn)生更大的影響。隨著人工智能整合到對(duì)個(gè)人生活影響更大的決策過(guò)程中，例如招聘、貸款申請(qǐng)、司法審查和醫(yī)療決定，我們將需要警惕它吸收我們最壞的傾向。
二、沒(méi)有無(wú)辜的數(shù)據(jù)
當(dāng)人工智能觸及最基本的人類系統(tǒng)時(shí)，我們需要記住它不是在真空中運(yùn)行。人工智能依賴于海量數(shù)據(jù)，強(qiáng)大的算法可以分析這些數(shù)據(jù)，然后得出具有啟示性的洞見(jiàn)。但是人工智能依賴訓(xùn)練數(shù)據(jù)。如果數(shù)據(jù)存在偏見(jiàn)，比如帶有種族主義或性別歧視的語(yǔ)言，這會(huì)影響結(jié)果。無(wú)論你訓(xùn)練人工智能什么，結(jié)果都會(huì)被放大，因?yàn)樗惴〞?huì)無(wú)數(shù)次地復(fù)制它的決策。在數(shù)據(jù)中未被發(fā)現(xiàn)的偏見(jiàn)逐漸顯現(xiàn)，令人不安，這是人工智能系統(tǒng)開(kāi)始輸出反映我們自己最根深蒂固的偏見(jiàn)的結(jié)果。與機(jī)器人暴動(dòng)不同，有偏見(jiàn)的人工智能并不是一個(gè)假設(shè)的風(fēng)險(xiǎn)。有偏見(jiàn)的人工智能在選美比賽中選擇了淺色皮膚的選手，而非深色皮膚的選手。一種帶有偏見(jiàn)的谷歌算法將黑臉歸類為大猩猩。
在一項(xiàng)研究中，一個(gè)有偏見(jiàn)的人工智能篩選簡(jiǎn)歷，會(huì)更傾向于歐裔美國(guó)人（相對(duì)于非裔美國(guó)人）。在另一項(xiàng)研究中，有偏見(jiàn)的AI將男性的名字與職業(yè)導(dǎo)向、數(shù)學(xué)和科學(xué)詞匯聯(lián)系起來(lái)，同時(shí)將女性的名字與藝術(shù)概念聯(lián)系在一起。就像我們自己的點(diǎn)擊讓我們處在自己的Facebook過(guò)濾器泡泡里一樣，帶有偏見(jiàn)的數(shù)據(jù)創(chuàng)造出了傳播人類偏見(jiàn)的人工智能。
我們不能因?yàn)榉娜斯ぶ悄芏颖茇?zé)任。我們?cè)蕉嗟貙⑦@些系統(tǒng)納入我們的決策過(guò)程，我們就必須做得越多，以確保我們能夠負(fù)責(zé)任地使用這些系統(tǒng)。解決數(shù)據(jù)偏見(jiàn)問(wèn)題的第一步是在數(shù)據(jù)收集過(guò)程中建立更大的透明度。它是從哪里來(lái)的？它是怎么收集的？是誰(shuí)收集的？我們還需要解決模型中的偏見(jiàn)問(wèn)題。通過(guò)讓我們的模型的內(nèi)部工作更加清晰，我們將能夠發(fā)現(xiàn)我們之前沒(méi)有發(fā)現(xiàn)的數(shù)據(jù)中的偏見(jiàn)。
如果我們能夠恰當(dāng)?shù)亟鉀Q人工智能中存在的偏見(jiàn)問(wèn)題，那么人工智能將繼續(xù)成為創(chuàng)造一個(gè)更美好世界的有用工具。雖然解決世界上數(shù)十億人的偏見(jiàn)問(wèn)題可能是完全不可行的，但我們完全有可能創(chuàng)造出比創(chuàng)造者更少偏見(jiàn)的人工智能。
雖然人類的偏見(jiàn)造成了這些挑戰(zhàn)，但人類的洞察力可以解決這些問(wèn)題。算法在清除虛假新聞和識(shí)別歧視方面取得了巨大進(jìn)步，但人類的監(jiān)督將成為構(gòu)建更公平的人工智能系統(tǒng)的必要條件。在正在進(jìn)行的“關(guān)于人工智能將如何改變工作”的討論中，我們很容易想到一個(gè)新角色出現(xiàn)：人工智能監(jiān)視器。我們?nèi)匀恍枰斯z查人工智能的輸入和輸出。
三、更公正的人工智能
這讓我們想到了第二個(gè)與之相關(guān)的問(wèn)題，那就是建立更公正的人工智能：我們需要在開(kāi)發(fā)這些系統(tǒng)的研究人員和開(kāi)發(fā)人員的社區(qū)中擁有更多的多樣性。
幾項(xiàng)研究揭示了該行業(yè)嚴(yán)重的不平衡。根據(jù)Code.org的數(shù)據(jù)，“黑人、拉丁裔、美洲印第安人以及土著太平洋島民的比例顯著偏低，僅占計(jì)算機(jī)科學(xué)專業(yè)學(xué)生總數(shù)的17%。”較少的代表性往往與更少的可獲得性相吻合，不僅在課堂上，在公司、政府和公民團(tuán)體中也是如此。
我們需要積極確保這些新技術(shù)出現(xiàn)時(shí)的可獲得性。幸運(yùn)的是，人工智能也可以幫助解決這個(gè)問(wèn)題。通過(guò)使用人工智能，我們可以繼續(xù)提供更直觀的開(kāi)發(fā)者工具，并增加對(duì)教育的獲取渠道，從而擴(kuò)大可能首先從事人工智能的人的網(wǎng)絡(luò)。
我們現(xiàn)在已經(jīng)可以看到這種情況，一些學(xué)徒計(jì)劃專門(mén)尋求將弱勢(shì)群體帶入計(jì)算機(jī)科學(xué)課堂的方式。一個(gè)名為“Year Up”的組織每年培訓(xùn)4,000名年齡在18歲到24歲之間的低收入成年人。他們?nèi)〉昧司薮蟮某晒Γ?4%的學(xué)生上了大學(xué)，或者在畢業(yè)后的6個(gè)月內(nèi)找到了工作。
通過(guò)為更廣泛的人群創(chuàng)造教育機(jī)會(huì)，勞動(dòng)力將變得更加多樣化，對(duì)人工智能數(shù)據(jù)和設(shè)計(jì)的方式也將變得更加多樣化。如果有更多的多樣性，我們就可以避免一些偏見(jiàn)的陷阱。
四、人工智能的承諾
展望未來(lái)，我們必須調(diào)動(dòng)緊迫感來(lái)應(yīng)對(duì)這些挑戰(zhàn)。未來(lái)在我們知道之前就已經(jīng)到來(lái)了。
人工智能可能是有史以來(lái)最先進(jìn)的工具，就像一把錘子一樣，可以用在好的地方，也可以用于侵害。在正確監(jiān)督下，人工智能可以讓世界變得更好。它可以實(shí)現(xiàn)食品生產(chǎn)和運(yùn)輸?shù)淖詣?dòng)化，讓個(gè)性化醫(yī)療成為現(xiàn)實(shí)，填補(bǔ)信息空白，讓每個(gè)人（無(wú)論技能水平或背景）都能提高效率。
在這方面，創(chuàng)造更好的人工智能與為人們創(chuàng)造更好的生活息息相關(guān)。這就是人工智能的承諾：讓我們變得更好、更高效，并讓我們有機(jī)會(huì)更多地專注于有創(chuàng)造性的、有影響力的任務(wù)。即使是在最初的日子里，它也在幫助我們舉起一面鏡子。
（選自：fortune作者：Richard Socher編譯：網(wǎng)易智能 參與：nariiy）
京公網(wǎng)安備 11010502049343號(hào)