在性別和種族問題上，人工智能能夠消除人類的偏見嗎？

《科學(xué)》上發(fā)表的一項最新研究給我們潑了一盆冷水。普林斯頓大學(xué)信息技術(shù)政策中心計算機科學(xué)家Arvind Narayanan和他的同事們發(fā)現(xiàn)，機器學(xué)習(xí)算法會輕易模仿其訓(xùn)練數(shù)據(jù)集中隱含的偏見。

他們從網(wǎng)上用爬蟲收集了220萬詞的英語文本，用來訓(xùn)練一個機器學(xué)習(xí)系統(tǒng)。結(jié)果，系統(tǒng)也會展示出了與這些文本相同的偏見。

在較為中性的例子中，人工智能系統(tǒng)更有可能將“花朵”和“音樂”與“愉快”聯(lián)系起來，而“昆蟲”或“武器”等不太愉快的詞不太可能建立這種聯(lián)系。但人工智能也也更有可能將歐洲裔美國人的名字與“快樂”聯(lián)系起來，非洲裔美國人的概率較低。同樣地，這種算法往往會將“婦女”和“女孩”與藝術(shù)關(guān)聯(lián)，而不會與數(shù)學(xué)關(guān)聯(lián)。

“在機器學(xué)習(xí)執(zhí)行的所有感知任務(wù)中，都應(yīng)該擔(dān)心它是否會體現(xiàn)人類的偏見。”Narayanan說，“這可能會進一步創(chuàng)造一種反饋回路，延續(xù)這些偏見。”

為了展示自然語言學(xué)習(xí)所能引發(fā)的偏見，Narayanan和他的同事根據(jù)心理學(xué)家揭示人類偏見時使用的內(nèi)隱聯(lián)想測驗（IAT），創(chuàng)造了新的統(tǒng)計學(xué)測驗。他們的成果發(fā)表在2017年4月14日出版的《科學(xué)》雜志上，這也是首份展示“文字嵌入”（word embedding）中體現(xiàn)的人類偏見的科研成果。

所謂“文字嵌入”，其實是一種普遍應(yīng)用于機器學(xué)習(xí)和自然語言處理過程的統(tǒng)計建模技術(shù)。文字嵌入需要了解一個人的語言在空間上的不同點，并通過重現(xiàn)幾何關(guān)系的方式來分析這些點之間的語義關(guān)系。

猶他大學(xué)計算機科學(xué)家Suresh Venkatasubramanian表示，人工智能從訓(xùn)練數(shù)據(jù)集中學(xué)會了偏見或許算不上令人震驚的發(fā)現(xiàn)，但這項研究駁斥了之前的一個論調(diào)：人工智能天生比人類更加客觀。

由于人工智能在硅谷和世界各地的科技巨頭中十分流行，所以這項結(jié)果意義重大。

要理解潛在的影響，可能需要閱讀一下普利策獎獲獎文章《機器偏見》（Machine Bias），這個系列的文章展示了原本用來預(yù)測潛在犯罪分子的電腦程序是如何對黑形成偏見的。有鑒于此，一些研究人員考慮在部署機器學(xué)習(xí)算法的過程中，識別并減輕人類偏見所產(chǎn)生的負面影響。

“訓(xùn)練流程和訓(xùn)練數(shù)據(jù)的好壞決定了最終的算法。”Venkatasubramanian說，“它們不會生來就自動獲得客觀立場。”

哈弗福特學(xué)院計算機科學(xué)家Sorelle Friedler表示，這項新的研究邁出了重要的一步，揭示出各種機器學(xué)習(xí)中可能存在的語言偏見。作為機器學(xué)習(xí)公平、負責(zé)、透明小組的組織者，F(xiàn)riedler指出，過去的研究主要調(diào)查了已經(jīng)使用的特定機器學(xué)習(xí)算法的偏見。

“我很喜歡這項研究，因為他們沒有試圖調(diào)查單一的‘活躍’系統(tǒng)，而是分析了很多活躍系統(tǒng)的一塊基石。”他說。

Narayanan和他在普林斯頓大學(xué)及英國巴斯大學(xué)的同事首先采用了文字嵌入聯(lián)想測驗（WEAT），以此復(fù)制以往的心理學(xué)研究中的種族和性別歧視例子。但他們還開發(fā)了文字嵌入事實聯(lián)想測驗（WEFAT），不僅僅局限于文字聯(lián)想。第二項測試顯示，機器學(xué)習(xí)語言聯(lián)想的統(tǒng)計學(xué)強度，與女性2015年在50種不同工作中占據(jù)的比例相關(guān)性極強。

就連研究人員都對語言使用和美國勞工部統(tǒng)計數(shù)據(jù)之間的強相關(guān)性感到意外。“完全根據(jù)語言使用來看，考慮職業(yè)與性別詞匯的使用關(guān)系，我們發(fā)現(xiàn)女性在任何一個職位上的相關(guān)性都達到90%。”Narayanan說。

針對這項新研究開發(fā)的統(tǒng)計測試，不僅暴露了機器學(xué)習(xí)領(lǐng)域的潛在偏見問題，還可以成為一項有用的工具，用來分析特定社會偏見在文字發(fā)展史上的演變過程。正如研究人員證明的那樣，這些測試也有助于心理學(xué)實驗室測試所揭露的偏見與現(xiàn)實世界的實際影響之間的相關(guān)性。（Narayanan將此歸功于他的同事多樣化的學(xué)術(shù)背景，該團隊包括機器學(xué)習(xí)專家Aylin Caliskan和認知科學(xué)家Joanna Bryson。）

使用機器學(xué)習(xí)技術(shù)——尤其是深度學(xué)習(xí)技術(shù)——的科技巨頭和創(chuàng)業(yè)公司，都應(yīng)該盡快克服其人工智能系統(tǒng)的潛在偏見。Friedler解釋道，人們現(xiàn)在逐步意識到這個問題，并且開始展開針對性的討論，但尚未就如何處理偏見達成系統(tǒng)性的一致意見。

可以考慮從數(shù)據(jù)集中去掉偏見因素，但可能因此失去一些有用的語言和文化意義。人們需要作出艱難的道德抉擇，尋找具體的偏見和應(yīng)對策略，避免這些偏見對日漸強大、越發(fā)普及的人工智能系統(tǒng)產(chǎn)生負面影響。

“我們需要判斷哪些偏見在語言上有用，哪些會產(chǎn)生社會問題。”Friedler說，“如果我們認為存在社會問題，就應(yīng)該有意識地移除這些信息。”

來源：量子位