透过研究显示，人类研发的机器也能学到人类看世界的观点，无论是否有意。对阅读文本的人工智能来说，它可能会将“医生”一词与男性优先关联，而非女性，或影像辨识也会更大概率将黑人错误分类为大猩猩。
2015 年，Google Photos 应用误把两名黑人标注为“大猩猩”，当时这错误意味着 Google 的机器学习还处于“路漫漫其修远兮”的状态。Google 立即对此道歉，并表示将调整算法，以修复该问题。近日，身为错误的责任方，Google 正在尝试让大众了解 AI 如何不经意间永久学到创造它们的人持有的偏见；一方面，这是 Google 对外 PR（公关）的好方式，其次，AI 工程师也可用一种简单的方法来简介自己的偏见算法。
在影片中，Google 介绍了 3 种偏见：
互动偏差：用户可透过我们与其互动的方式来偏移算法。例如，Google 召集一些参与者，让他们每人画一只鞋，但多半用户会选择画男鞋，故以这些资料为基础的系统可能不会知道高跟鞋也是鞋子。
潜在偏差：该算法会将想法和性别、种族、收入等不正确地联系。例如，当用户在 Google Search 搜寻“医生”时，出现的大多为白人男性。
之前 Quarts 发了一则相关新闻，该报导称，经普林斯顿大学最新研究成果，这些偏见，如将医生与男性相关联，将护士与女性关联，都来自算法被教授的语言影响。正如一些资料科学家所说：没有好的资料，算法也做不出好决策。
选择偏差：据了解，用于训练算法的资料量已大大超过全球人口，如果训练影像辨识的资料仅针对白人进行，那么得到的资料也只能来自 AI 有限的认定。
（Source：Qaurtz）
去年 6 月，“青年实验室”（辉达、微软等科技巨擘均是该实验室的合作伙伴和支援者）举办了一次 Beauty.ai 网络选美大赛。比赛透过人工智能分析，征集了 60 万条纪录。算法参考皱纹、脸部比例、皮肤疙瘩和瑕疵的数量、种族和预测的年龄等因素。最后结果显示，种族因素比预期发挥更大的作用：在 44 名获奖者中，其中有 36 人为白人。
事实上，关于算法中含有性别、种族偏见的研究和报导，早已有之。据之前报导，要消除这些偏见，并不容易。正如微软纽约研究院的进阶研究员 Hanna Wallach 所说：
只要机器学习的程式是透过社会已存在的资料训练，那么只要这个社会有偏见，机器学习就会重现这些偏见。
- Google explains how artificial intelligence becomes biased against women and minorities
（本文由 雷锋网 授权转载；首图来源：影片截图）
