隨著人工智能的發(fā)展，人類將會把越來越多的決策權(quán)交給機器。但是，從目前的一些事例看，基于機器學(xué)習(xí)的決策并非那么公正完美，相反，那些決策也滲透著偏見。近期的一份研究報告中，Google的一名研究科學(xué)家Mortiz Hardt表示：“基于機器學(xué)習(xí)的決策是極為有用的，同時，它又會深刻影響我們的生活……盡管如此，在如何避免機器學(xué)習(xí)可能產(chǎn)生的偏見方面，我們?nèi)匀蝗狈σ环N可靠的方法?！?/p>

本月，這份報告提交給了巴塞羅那舉辦的NIPS 大會（NIPS，神經(jīng)信息處理系統(tǒng)）。與此同時，其它人也提交了一些相關(guān)的論文。這證明此問題正在受到更多人的重視。芝加哥豐田技術(shù)學(xué)院的計算機科學(xué)家 Nathan Srebro 是上述研究報告的作者之一。他向衛(wèi)報網(wǎng)站介紹了研究員們使用的測試方法。

Srebro 說，這項測試是針對機器學(xué)習(xí)系統(tǒng)的。通過分析大量的數(shù)據(jù)，機器學(xué)習(xí)系統(tǒng)能夠?qū)ξ磥碜龀鲱A(yù)測。問題在于，計算機的決策規(guī)則并非實現(xiàn)事先編寫好的，而是計算機自己學(xué)會的，因此，決策背后的邏輯通常是不可知的。即使編寫算法的程序員也未必能夠搞清楚。

“算法是如此復(fù)雜，即使我們能夠進入其內(nèi)部，搞懂其內(nèi)在原理也是幾乎不可能的，” Srebro 說，“機器學(xué)習(xí)的全部要點就是構(gòu)建魔法黑箱子。”

為此，Srebro 與同事們設(shè)計了一種測試方法。他們只檢測進入算法的數(shù)據(jù)以及算法給出的決策?！拔覀兊姆椒ú⒉魂P(guān)注機器學(xué)習(xí)算法的內(nèi)部，” Srebro 說，“我們只關(guān)注它做出了什么決策。”

這個方法基于一個基本原則：當(dāng)算法做出與某人相關(guān)的決策時，它只能揭示數(shù)據(jù)提供的內(nèi)容，而不能暴露個人的種族或者性別。例如，在償還銀行債務(wù)方面，男性拖欠債務(wù)的比例遠遠超過女性，那么，當(dāng)數(shù)據(jù)庫里的某人拖欠債務(wù)，你可能會推論，那很可能是一個男人。但是，如果你推斷說，銀行的最佳策略是拒絕所有男性的貸款請求，那么，該決策就精確定位了個人的性別?！斑@可以視為不合理的歧視，” Srebro 說。

針對這個方法，有人提出了質(zhì)疑。他們認(rèn)為，這等于是繞過了機器算法的決策過程，使其缺乏任何的透明性。西英格蘭的機器人道德學(xué)教授 Alan Winfield 說，“設(shè)想一下，如果某個案件涉及到機器算法的決策，法庭將需要專家證人解釋算法做出決策的理由。”

不過，他也承認(rèn)，如果要求機器決策的絕對透明度，那肯定會引起深度學(xué)習(xí)社群的強烈抗議。謝菲爾德大學(xué)機器人和人工智能學(xué)教授 Noel Sharkey 同意這種觀點?！叭绻阋页鲚斢凸艿赖淖罴逊桨?，機器學(xué)習(xí)是個很好的選擇，但是，在我們深入了解算法如何產(chǎn)生偏見之前，我會很在意它做出一些影響人們生活的決策。”