数据的均衡或可减少“跑偏”

　　不少科学家以“garbage in, garbage out”来形容“数据和人工智能的关系”。中科视拓(北京)科技有限公司CEO刘昕说：“对机器学习而言，进什么就出什么。监督学习就是让模型拟合标签，比如训练者把帅哥都标记成‘渣男’，那么机器看到刘德华，就会认为他是……”谈到诺曼引发的讨论，刘昕表示：“不需要担心，人类本身就有各种歧视和偏见，用人类生产的数据训练AI，再批判AI不够正直良善，这么说有点危言耸听。”

　　偏见、刻板印象、歧视都是人类社会的痼疾，有些流于表面，有些深入社会肌理，无法轻易剥离。在这样的语境中产生的数据，携带着大量复杂、难以界定、泥沙俱下的观点。如果研究者没有意识到或着手处理这一问题，机器学习的偏见几乎无解。真正的“公正算法”或许是不存在的。

　　据有关媒体报道，在谷歌研究自然语言处理的科学家 Daphne Luong 表示，正确地校准标签对机器学习来说非常关键，有些数据集其实并不平衡，像维基百科上的数据，“他”(He)出现的次数远比“她”(She)要多。

　　王金桥也着重强调了“数据的均衡”。就算对人来说，不同人秉持着不同的价值观，但多听多看多受教育可以让人向良好的方向改进。机器学习也是如此。“训练机器时，要注重数据的均衡，给它更多可靠的数据。研究团队成员具有多元的学术背景(如吸纳更多社会学、心理学等领域学者加入)、性别、年龄、价值观，也可以帮助机器学习更加均衡，减少机器出现偏见、谬误甚至失控的可能。”王金桥说。

　　“机器学习的模型本身也要有一定的防攻击能力，从技术上防止本身结构设计的漏洞被攻击，研究者可以使用各种数据攻击机器，训练机器的反攻击能力。”王金桥说。

　　作恶还是向善，是人类的选择

　　1942年，阿西莫夫在短篇小说《环舞》中首次提出著名的机器人三定律：机器人不得伤害人类，或因不作为使人类受到伤害；除非违背第一定律，机器人必须服从人类的命令；除非违背第一及第二定律，机器人必须保护自己。半个多世纪过去，人工智能在大数据的加持下迎来爆发式发展。某些专用型人工智能把人类智能甩在身后，人们开始担忧，机器伤害人类的那一天是不是不远了。

　　因此有一种看法很主流——人类训练有意识、有自我觉知的人工智能是不明智的。开个脑洞，机器一旦发展出自我意识，要反向攻击人类，场面或许失控。

　　前段时间，据路透社报道，韩国科学技术院的人工智能研发中心正在研发适用于作战指挥、目标追踪和无人水下交通等领域的人工智能技术，希望在今年年底前研发出基于人工智能的导弹、潜艇和四轴飞行器。此事引发学术界的巨大震动，抗议纷至沓来，并最终以院长保证无意于“杀手机器人”的研发并重申人类尊严和伦理收场。在美国，以“不作恶”为纲的谷歌也因与国防部的合作协议涉及“Maven项目”被推上风口浪尖，反对者普遍认为，识别结果完全有可能被用于军事用途，比如说精准打击。谷歌最终表示终结协议。

　　相较于舆论环境的忧心忡忡，研究者对“技术向善”普遍乐观。他们认为把AI和“杀人机器”联系在一起，近乎“捧杀”，夸大AI能力之余，也引发不明真相的公众恐慌，无益于人工智能的发展环境。

　　“很多人提到AI总是一惊一乍，把AI说成超人。我相信人工智能是能解决问题的，但大家的期待也要在合理范围内。人和机器各有优势，技术会服务于特定场景，但也不需要把AI捧上天。”接受科技日报记者采访时，思必驰北京研发院院长初敏博士忍不住“抱怨”了一下。看来“我们需要怎样的AI”这一题，大家都还没有答案。