AI不乖了。

今天路透社踢爆了亞馬遜用AI進行招聘，進而引發(fā)的可能歧視女性的新聞。

對于一直尋求智能化的亞馬遜而言，僅在倉儲和物流管理上使用AI技術(shù)是遠遠不能滿足的，因此這項2014年啟動的AI招聘原本是亞馬遜探尋進一步智能化的實驗，卻偏偏出了簍子。

最初亞馬遜開發(fā)團隊的想法是，使用AI進行求職者簡歷的篩選，可以更精確地找到匹配的頂尖人才，減少人力勞動，將招聘這件事變得更智能化。

它們在使用這個實驗性的招聘工具過程中，用AI為求職者打分，分?jǐn)?shù)從一星到五星不等。開發(fā)該程序的工程師表示，亞馬遜想要將這一程序打造成引擎，給該程序100份簡歷，程序會列出前五人，其就會聘用列出的人才。

聽上去非�？釋Σ粚�？但是，人算不如AI算。

在這項工具使用不長時間后，亞馬遜發(fā)現(xiàn)他們使用AI系統(tǒng)的時候并未對軟件開發(fā)人員和其他技術(shù)職位求職者進行性別中立的評估。

這里面就存在兩個可能性問題，一是樣本問題，二則是AI系統(tǒng)有極大的BUG。

需要說明的是，亞馬遜對這套系統(tǒng)采用的模型訓(xùn)練方式是通過觀察過去10年被提交給亞馬遜公司的簡歷中找出固有模式，以此篩選審查求職者。

而問題就出在這里——在過去的10年中，提交給亞馬遜的簡歷大部分來自男性，這就導(dǎo)致了亞馬遜使用的AI系統(tǒng)告訴自己男性求職者更受到青睞。

是亞馬遜歧視女性嗎？還是AI在歧視？

我們認為，這里面有三重因素。

首先，被提交給亞馬遜的應(yīng)聘樣本多數(shù)是男性求職者，這與科技行業(yè)長久以來更愿意錄用男性員工有關(guān)�？峙驴萍夹袠I(yè)自身都產(chǎn)生了“誤會”，認為男性更能勝任，而女性則有更多顧慮。

其次，在被提交的樣本中，亞馬遜的系統(tǒng)采用了特別標(biāo)志，會特別標(biāo)志出“女性”，這在不經(jīng)意間已經(jīng)對樣本有了“性別歧視”。

最后，雖然亞馬遜對AI招聘的程序進行了修正，試圖確保對特定術(shù)語保持中立。但事實上，這無法從根本上客觀呈現(xiàn)篩選結(jié)果的一視同仁。

換句話說，亞馬遜的這套AI招聘系統(tǒng)出現(xiàn)了“雞生蛋還是蛋生雞的”哲學(xué)性困惑。

如果不添加標(biāo)簽進行篩選，勢必?zé)o法達到精準(zhǔn)匹配；

然而想要實現(xiàn)無差別對待，就勢必會出現(xiàn)不同領(lǐng)域的歧視�？赡苁切詣e、也有可能是學(xué)校、甚至可能是個人興趣和生活習(xí)慣。

WHATEVER，這個鍋，AI逃不掉。

這不是AI第一次陷入“性別歧視”的風(fēng)波中。

今年夏天，據(jù)果殼網(wǎng)的報道，弗吉尼亞大學(xué)計算機系攻讀人工智能機器學(xué)習(xí)方向的博士趙潔玉接到了導(dǎo)師文森特?奧都涅茨（Vicente Ordó?ez）給她的一個課題。

這個課題是關(guān)于圖形識別的AI，總是將男人認成女人。這在計算機視覺技術(shù)發(fā)展比較成熟的當(dāng)下，顯得有些不可思議。有趣的是，AI發(fā)生認知錯誤有個共同點：這些被誤認為女人的男人不是站在廚房就是在做家務(wù)。

這顯然不是程序的BUG，而是AI算法本身的問題，它自動的將女性和某些特定的元素聯(lián)系在一起，比如站在廚房燒飯的就一定是女性，最終形成了關(guān)于女性的“刻板成見”，甚至是某種性別歧視。

相似的事情也發(fā)生在微軟身上，之前他們在twitter上推出了一個少女聊天機器人Tay，微軟的原意是讓妹子和大家在網(wǎng)上談?wù)勑�，順便學(xué)習(xí)一下怎么交流，然而Tay聊著聊著卻學(xué)會了罵臟，比如咒罵女權(quán)主義者、支持納粹，種族歧視……

技術(shù)本身是中立的，但追根溯源的話，AI也是從我們普通人身上“學(xué)習(xí)”了偏見或者歧視，當(dāng)我們在訓(xùn)練人工智能模型的時候，大量的數(shù)據(jù)標(biāo)注結(jié)果再告訴AI，包含這些元素的可能98％是女性，最終關(guān)于性別的偏見不僅在數(shù)據(jù)庫里普遍存在，而且還會被AI放大。也就是說，技術(shù)人員用大量的數(shù)據(jù)看似訓(xùn)練出“精準(zhǔn)”算法，然而卻缺少對這些數(shù)據(jù)背后的社會現(xiàn)狀的思考。

不過，這種現(xiàn)象也有可規(guī)避的方式。就像人的認識，我們可以在學(xué)習(xí)以及社會化的過程中，形成一個合理、乃至政治正確的價值觀，同樣對于AI，我們也有“糾錯”的方法。

我們認為：

1、增加對原材料的凈化，盡可能地減少樣本數(shù)據(jù)庫的偏差，包括擴大樣本的范圍以及多樣性，擴容數(shù)據(jù)庫。

2、增加樣本的現(xiàn)實影響因子，現(xiàn)實維度是反應(yīng)社會價值取向、態(tài)度和引導(dǎo)方向的基礎(chǔ)。創(chuàng)建更好、更多樣化的數(shù)據(jù)集用于訓(xùn)練算法，從樣本數(shù)據(jù)的層面去縮小算法可能存在的偏差。

3、用技術(shù)的方式去彌合算法的偏差，比如開發(fā)某種系統(tǒng)來發(fā)現(xiàn)存在偏見的決策，并及時采取措施，比如采用貝葉斯（Bayesian）的方法確定某種假設(shè)的機率，并摒除可能存在的人類偏見。

4、最為關(guān)鍵的一點，解決AI歧視的本質(zhì)問題，也就是人的改變。只有改變樣本數(shù)據(jù)在現(xiàn)實社會中的弊端作為，才能從源頭解決算法的歧視問題。而機器，有時候也需要學(xué)會思考如何去擺脫人類對它們造成的錯誤影響。

劍橋大學(xué)未來研究所教授魯恩?奈如普（Rune Nyrup）曾經(jīng)說過“沒有事實上的技術(shù)中立。對機器來說，中立的就是占統(tǒng)治地位的�！倍�且，我們現(xiàn)在的人工智能，還遠遠沒到達到理解真善美、假惡丑的“抽象”地步。

算法的歧視，AI不背鍋。