AI也有偏见：你在机器“眼里”是好人还是坏蛋？

近日，麻省理工的博士生在两项独立研究中发现，虽然机器擅长识别 人工智能 生成的文本，但是很难分辨其中的真假。原因在于训练机器识别假新闻的 数据库 中充满了人类的偏见，因此，训练而成的人工智能也不可避免地带上了刻板印象。

人类偏见是人工智能界普遍存在的沉疴。ImageNetRoulette数字艺术项目通过使用AI分析描述用户上传的图片，揭示出了这一严峻问题。

一天清晨，当网友Tabong Kima正在刷推特时，他看到了一个名为#ImageNetRoulette的 实时热搜 。

在这个热搜里，用户们把自拍上传到某个网站上，然后由人工智能来分析和描述它所看到的每一张脸。ImageNetRoulette就是一家这样的网站，它把某位男性定义为“孤儿”，或是“不吸烟者”，如果是戴着眼镜的，则可能被贴上“书呆子、白痴、怪胎”的标签。

一位Twitter网友上传了自己的照片，被 AI识别 为“强奸犯嫌疑人”（Rape Suspect），标签位于照片左上角

在Kima看到的推特信息中，这些标签有的准确，有的奇怪，有的离谱，但都是为了搞笑，于是他也加入了。但结果却让这个24岁的非裔美国人很不开心——他上传了一张自己的微笑照片，然后网站给他贴上了“不法分子”和“罪犯”的标签。

“可能是我不懂幽默吧，”他发了一条推特，“但我没觉得这有什么有趣的。”

 人工智能背后：偏见、种族、厌女症

事实上，Kima的反应正是这家网站想看到的。ImageNetRoulette是一个数字艺术项目，在人工智能迅速改变个人生活的当下，这个项目旨在揭露某些古怪的、无根据的、冒犯的行为，它们正在蔓延到人工智能技术中，包括被互联网公司、公安部门和其他政府机构广泛使用的面部识别服务。

面部识别和其他AI技术都是通过分析海量数据来学习技能，而这些数据来自过去的网站和学术项目，不可避免地包含多年来未被注意到的细微偏差和其他缺陷。这也是美国艺术家Trevor Paglen和微软研究员Kate Crawford发起ImageNetRoulette项目的原因——他们希望更深层次地揭露这个问题。

“我们希望揭露偏见、种族主义和厌女症如何从一个系统转移到另一个系统，”Paglen在电话采访中说：“重点在于让人们理解幕后的操作，看到我们（的信息）一直以来是如何被处理和分类的。”

作为本周米兰Fondazione Prada博物馆展览的一部分，这个网站主要关注的是知名的大型可视化数据库ImageNet。2007年，以李飞飞为首的研究人员开始讨论ImageNet项目，它在“深度学习”的兴起中发挥了重要的作用，这种技术使机器能够识别包括人脸在内的图像。

“Training Humans”摄影展在米兰Fondazione Prada博物馆揭幕，展示人工智能系统如何通过训练来观看并给这个世界分类。

ImageNet汇集了从互联网上提取的1400多万张照片，它探索了一种训练AI系统并评估其准确性的办法。通过分析各种各样不同的图像，例如花、狗、汽车，这些系统可以学习如何识别它们。

在关于人工智能的讨论中，鲜少被提及的一点是，ImageNet也包含了数千人的照片，每一张都被归入某一类。有些标签直截了当，如“啦啦队”、“电焊工”和“童子军”；有些则带有明显的感情色彩，例如“失败者、无望成功的人、不成功的人”和“奴隶、荡妇、邋遢女人、流氓”。

Paglen和Crawford发起了应用这些标签的ImageNetRoulette项目，以展示观点、偏见甚至冒犯性的看法如何影响人工智能，不论这些标签看起来是否无害。

偏见的蔓延

ImageNet的标签被成千上万的匿名者使用，他们大多数来自美国，被斯坦福的团队雇佣。通过Amazon Mechanical Turk的众包服务，他们每给一张照片贴标签就能赚几分钱，每小时要浏览数百个标签。在这个过程中，偏见就被纳入了数据库，尽管我们不可能知道这些贴标签的人本身是否带有这样的偏见。

但他们定义了“失败者”、“荡妇”和“罪犯”应该长什么样。

这些标签最早来自另一个庞大的数据集，WordNet，是普林斯顿大学研究人员开发的一种机器可读的语义词典。然而，该词典包含了这些煽动性的标签，斯坦福大学ImageNet的研究者们可能还没有意识到这项研究出现了问题。

人工智能通常以庞大的数据集为基础进行训练，而即使是它的创造者们也并不能完全理解这些数据集。“人工智能总是以超大规模运作，这会带来一些后果，”Liz O’Sullivan说道。他曾在人工智能初创公司Clarifai负责数据标签的监督工作，现在是民权和私人组织“技术监督计划”（STOP,全称为Surveillance Techonology Oversight Project）的成员，这个组织的目标是提高人们对人工智能系统问题的意识。

ImageNet数据中的许多标签都是十分极端的。但是，同样的问题也可能发生在看似“无害”的标签上。毕竟，即使是“男人”和“女人”的定义，也有待商榷。

“给女性（无论是否成年）的照片贴标签时，可能不包括性别酷儿（nonbinary，即自我认为非二元性别的人士）或短发女性，”O’ Sullivan表示，“于是，AI模型里就只有长发女性。”

近几个月来，研究者们发现诸如亚马逊、微软和IBM等公司提供的面部识别服务，都有对女性和有色人种持有偏见。通过IamgeNetRoulette项目，Paglen和Crawford希望能引起人们对这个问题的重视，而他们也的确做到了。随着这个项目在推特等网站上走红，ImageNetRoulette项目近期每小时产生的标签数超过10万个。

“我们完全没想到，它会以这样的方式走红，”Crawford与Paglen说道，“它让我们看到人们对这件事的真正看法，并且真正参与其中。”

热潮之后，隐忧重重

对有些人来说，这只是个玩笑。但另外一些人，例如Kima，则能懂得Crawford和Paglen的用意。“他们做得很好，并不是说我以前没有意识到这个问题，但他们把问题揭露出来了”，Kima说道。

然而，Paglen和Crawford认为，问题也许比人们想象得更加严重。

ImageNet只是众多数据集中的一个。这些数据集被科技巨头、初创公司和学术实验室重复使用，训练出各种形式的人工智能。这些数据库中的任何纰漏，都有可能已经开始蔓延。

如今，许多公司和研究者都在试图消除这些弊端。为了应对偏见，微软和IBM升级了面部识别服务。今年一月，Paglen和Crawofrod初次探讨ImageNet中的奇怪标签时，斯坦福大学的研究者们禁止了该数据集中所有人脸图像的下载。现在，他们表示将删除更多的人脸图像。

斯坦福大学的研究团队向《纽约时报》发表了一份声明，他们的长期目标是“解决数据集和算法中的公平性、问责制度和透明度问题。”

但对Paglen来说，一个更大的隐忧正在逼近——人工智能是从人类身上学习的，而人类是有偏见的生物。“我们对图像的贴标签方式是我们世界观的产物，”他说，“任何一种分类系统都会反映出分类者的价值观。”

本文已标注来源和出处，版权归原作者所有，如有侵权，请联系我们。