隨著人工智能的發(fā)展，人類將會把越來越多的決策權交給機器。但是，從目前的一些事例看，基于機器學習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的一名研究科學家MorTIz Hardt表示：“基于機器學習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，在如何避免機器學習可能產(chǎn)生的偏見方面，我們?nèi)匀蝗狈σ环N可靠的方法。”

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。芝加哥豐田技術學院的計算機科學家 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習系統(tǒng)的。通過分析大量的數(shù)據(jù)，機器學習系統(tǒng)能夠?qū)ξ磥碜龀鲱A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，“機器學習的全部要點就是構(gòu)建魔法黑箱子。”

為此，Srebro 與同事們設計了一種測試方法。他們只檢測進入算法的數(shù)據(jù)以及算法給出的決策。“我們的方法并不關注機器學習算法的內(nèi)部，” Srebro 說，“我們只關注它做出了什么決策。”

這個方法基于一個基本原則：當算法做出與某人相關的決策時，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，在償還銀行債務方面，男性拖欠債務的比例遠遠超過女性，那么，當數(shù)據(jù)庫里的某人拖欠債務，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。“這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教授 Alan Winfield 說，“設想一下，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，如果要求機器決策的絕對透明度，那肯定會引起深度學習社群的強烈抗議。謝菲爾德大學機器人和人工智能學教授 Noel Sharkey 同意這種觀點。“如果你要找出輸油管道的最佳方案，機器學習是個很好的選擇，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。”