麦肯锡全球研究所（MGI）的研究发现，具有“不可预测”、“具备极专业知识或技能”、“需与利益关系人互动”等特性的工作电脑难以胜任。（ShutterStock）

（大纪元记者陈霆编译报导）今年4月，传出亚马逊公司使用人工智能（以下简称AI）系统追踪员工效率，提醒动作变慢的员工，并自动开除未达目标者。同样在4月，一位布朗大学（Brown University）的学生被误认为是斯里兰卡爆炸案的嫌犯，起因也是斯里兰卡当局的脸部辨识AI出错。

这些事件显示，当人们越来越依赖AI进行决策，将AI系统引入司法、金融、雇用等重大议题时，可能会造成隐忧。“我最担心的是，我们想用来解决问题的系统，最终可能会加剧这些问题。”纽约大学的AI Now研究所共同创办人凯特．克劳福德（Kate Crawford）如是说。

AI为什么会出错？

过去，人们相信AI的一个理由是，AI不像人类受情绪、疲倦所影响，可直接分析事件进行准确判断。但许多证据表明AI也会有“偏见”（AI bias），并不总是像我们想像的那么客观真实。一项调查显示，部分美国法院采用的累犯风险评估软体COMPAS，在评估非裔美国人时准确性较低，可能高估他们成为累犯的概率。执法单位的面部辨识系统在妇女、青少年和少数族裔上，错误率也比较高。这种情况，被称作“AI偏误”或“算法偏误”，怎么形成的呢？

1. 偏误来自于AI的学习过程

AI的准确度需要经过训练，训练时提供的资料如果不足，无法反映复杂的真实世界，就会造成AI有偏误。Edge Case Research共同创办人暨执行长华格纳（Michael Wagner）指出，在训练自动驾驶车AI时，尽管感测器已分析了数千或数百万个人类影像，AI还是会忽略坐轮椅的使用者或穿着萤光背心的建筑工人，因为这些例子在数据库中是少数。

华格纳认为，安全可靠的产品不仅需测试已知的偏误，还应该仔细寻找新的以及意想不到的新偏误，而这些偏误可能不会被发现，直到产品被广泛运用。

“机器学习与人类学习相当不同”，华格纳说，“例如电脑可能会漏掉一个站在垂直物体（如电线杆）附近的人。你想过这个吗？”

2. 面对偏见，AI没有思考能力

AI程式也可能“学会”人类的偏见。训练AI时，它们依靠从大量数据中找寻不可见的模式来分析信息。当这些资讯中隐藏了人类的偏见时，AI会复制这样的偏见。但AI和真人不同，在面对偏见时，它们没有思考能力。Google决策智能主管凯西．科兹科夫（Cassie Kozyrkov）表示，AI只是收集数据、呈现模式的工具，永远不会自己思考，

3. 抽象价值无法被合适定义

出错的另一个原因是，当人类试图让AI进行涉及公平、正义、信赖等抽象价值的决策时，因为无法将抽象意义用数学术语呈现出来，导致AI的判断违背人们的期待。

例如，一家银行希望预测贷款申请人的信誉度，“信誉”是一个模糊的概念。为了将其转换为可以计算的内容，就会将“信誉”转变为可量化的因素。如果贷款模型发现，老年人有较高的违约可能性，并根据年龄减少了放款金额，就可能造成非法歧视。

AI金融平台AppZen的联合创始人维尔玛（Kunal Verma）也表示，如果申请人居住在很多人拖欠贷款的地区，系统也可能将其判断为不可靠。

涉及工作的争议

许多研究都指出，在各行业中引入AI技术，可能造成许多人失业。牛津经济研究院（Oxford Economics）在2019年6月的一份报告中预测，到2030年，机器人将取代全球8.5%的制造业工作职位（约2000万个职缺）。不少行业的雇员因此感到担忧，他们担心自己的专业能力被电脑取代。

与此同时，也有许多人担心，人们试图将算法无法处理的问题交给AI判断。例如：亚马逊公司曾借助AI将求职者予以排名，但后来发现该系统倾向录用男性求职者，尽管工程师进行调整后仍无法解决，最终只得放弃该计划。

麦肯锡全球研究所（MGI）的研究发现，具有“不可预测”、“具备极专业知识或技能”、“需与利益关系人互动”等特性的工作电脑难以胜任。如果我们勉强将这类任务交给电脑处理，可能就会出现各种错误。

像是司法、执法等工作，就涉及了需要衡量各方的公正性，或是在极短时间做出关乎生死的判断，AI算法是否能承担这样的责任？一些改过自新的人所做的努力，在算法的计算中能否被看见？

或许，我们要记得，人工智慧并非万能，只是一种工具，最终不能代替我们来思考。