人工智能(AI)往往被視為一種暗箱實(shí)踐，即人們并不關(guān)注技術(shù)本身的運(yùn)作方式，只強(qiáng)調(diào)其能夠提供看似正確的結(jié)果。在某些情況下，這種效果就已經(jīng)可以滿足需求，因?yàn)榇蠖鄶?shù)時候我們都更關(guān)注結(jié)果，而非結(jié)果的具體實(shí)現(xiàn)方式。

[[346007]]

遺憾的是，將AI視為暗箱過程會產(chǎn)生信任與可靠性等問題。從純技術(shù)的角度來看，這也導(dǎo)致我們難以分析或解決AI模型中存在的問題。

在本文中，我們將共同了解其中的部分潛在問題以及幾種解決方案思路。

AI是什么?

不少企業(yè)已經(jīng)將人工智能(AI)元素納入自家產(chǎn)品。雖然有些“AI”表述只是虛假的營銷策略，但也確實(shí)有不少產(chǎn)品開始使用AI及機(jī)器學(xué)習(xí)(ML)技術(shù)實(shí)現(xiàn)自我提升。

簡而言之，AI是指一切能夠表現(xiàn)出智能行為的計(jì)算機(jī)系統(tǒng)。在本文的語境下，智能代表著計(jì)算機(jī)在學(xué)習(xí)、理解或者概念總結(jié)等層面的飛躍式進(jìn)步。

當(dāng)前，AI技術(shù)最常見的實(shí)現(xiàn)形式為機(jī)器學(xué)習(xí)，其中由計(jì)算機(jī)算法學(xué)習(xí)并識別數(shù)據(jù)中的模式。機(jī)器學(xué)習(xí)大致分為三類：

• 監(jiān)督學(xué)習(xí)：即使用已知數(shù)據(jù)進(jìn)行模型訓(xùn)練。這有點(diǎn)像給孩子們看最簡單的看圖識字教材。這類ML也是大家最常接觸到的實(shí)現(xiàn)形式，但其有著一個致命缺點(diǎn)：只有具備大量可信且經(jīng)過正確標(biāo)記的訓(xùn)練數(shù)據(jù)，才能建立起相關(guān)模型。
• 無監(jiān)督學(xué)習(xí)：模型自行在數(shù)據(jù)中查找模式。手機(jī)導(dǎo)航軟件使用的就是這種學(xué)習(xí)方式，特別適合我們對數(shù)據(jù)一無所知的情況。目前業(yè)界往往使用無監(jiān)督學(xué)習(xí)從數(shù)據(jù)中識別出可能具有現(xiàn)實(shí)意義的重要聚類。
• 強(qiáng)化學(xué)習(xí)：模型在每次正確執(zhí)行時都會得到獎勵。因?yàn)檫@是一種典型的“實(shí)驗(yàn)試錯”學(xué)習(xí)方法。如果我們初期只有少量數(shù)據(jù)，那么這種ML方法將表現(xiàn)得尤為強(qiáng)大。它的出現(xiàn)，直接令持續(xù)學(xué)習(xí)模型成為可能，即模型在接觸到新數(shù)據(jù)后會不斷適應(yīng)及發(fā)展，從而保證自身永不過時。

但這些方法都面臨著同一個問題，我們無法理解學(xué)習(xí)后生成的最終模型。換言之，人工智能無法實(shí)現(xiàn)人性化。

信任問題

暗箱式AI系統(tǒng)大多屬于由機(jī)器經(jīng)過自學(xué)過程建立起模型。但由于無法理解系統(tǒng)得出結(jié)論的過程，我們就很難理解模型給出特定結(jié)論的理由，或者對該結(jié)論缺乏信心。我們無法詢問模型為什么會這么判斷，只能拿結(jié)果跟自己的期望進(jìn)行比較。

如果不理解AI模型的起效原理，我們又怎么能相信模型會永遠(yuǎn)正確?

結(jié)果就是，這種不可理解性同無數(shù)反烏托邦科幻作品映射起來，讓AI成了恐怖神秘的代名詞。更糟糕的是，不少AI模型確實(shí)表現(xiàn)出嚴(yán)重的偏差，這也令信任危機(jī)被進(jìn)一步激化。

偏差或者說偏見，一直植根于人類的思想意識當(dāng)中，現(xiàn)在它也開始成為AI技術(shù)無法回避的大難題。因?yàn)橄到y(tǒng)只能從過往的情況中學(xué)習(xí)經(jīng)驗(yàn)，而這些可能并不足以指導(dǎo)模型做出面向未來的正確選擇。

以AI模型在犯罪預(yù)測中的應(yīng)用為例，這些模型會使用以往犯罪統(tǒng)計(jì)數(shù)據(jù)來確定哪些地區(qū)的犯罪率比較高。執(zhí)法部門則調(diào)整巡邏路線以向這些地區(qū)集中警力資源。但人們普遍質(zhì)疑，使用這類數(shù)據(jù)本身就是在加強(qiáng)偏見，或者潛在地將相關(guān)性混淆為因果性。

例如，隨著新冠疫情的肆虐，美國各大主要城市的暴力犯罪率開始顯著下降;但在某些司法管轄區(qū)內(nèi)，汽車盜竊及其他劫掠案件卻有所增加。普通人可能會將這些變化與全國范圍內(nèi)的社交隔離合理聯(lián)系起來，但預(yù)測性警務(wù)模型卻有可能錯誤地將犯罪數(shù)量及逮捕率的降低解釋為穩(wěn)定性與治安水平的提升。

目前，人工智能中存在多種形式的偏見。以人臉識別軟件為例，研究表明包含“人口統(tǒng)計(jì)學(xué)偏見”的算法會根據(jù)對象的年齡、性別或種族做出準(zhǔn)確率波動極大的判斷。

有時，數(shù)據(jù)科學(xué)家在執(zhí)行特征工程以嘗試清洗源數(shù)據(jù)時，同樣會引發(fā)偏差/偏見問題，導(dǎo)致其中某些微妙但卻極為重要的特征意外丟失。

影響最大的偏見甚至可能引發(fā)社會層面的問題。例如，廣告算法會根據(jù)人口統(tǒng)計(jì)數(shù)據(jù)定期投放廣告，從而將對于年齡、性別、種族、宗教或社會經(jīng)濟(jì)等因素的偏見永久留存在模型之內(nèi)。AI技術(shù)在招聘應(yīng)用中也暴露出了類似的缺陷。

當(dāng)然，這一切都源自人類自己引發(fā)的原始偏見。但是，我們該如何在AI模型中發(fā)現(xiàn)這些偏見并將其清除出去?

可解釋AI

為了增加對AI系統(tǒng)的信任度，AI研究人員正在探索構(gòu)建可解釋AI(XAI)的可能性，希望借此實(shí)現(xiàn)AI方案的人性化。

XAI能夠避免我們在暗箱模型中難以識別的種種問題。例如，2017年研究人員的報(bào)告稱發(fā)現(xiàn)了一項(xiàng)AI作弊問題。該AI模型在訓(xùn)練之后能夠成功識別出馬匹的圖像，相當(dāng)于對經(jīng)典狗/貓識別能力的變體。但事實(shí)證明，AI學(xué)會的實(shí)際上是識別與馬匹圖片相關(guān)的特定版權(quán)標(biāo)注。

為了實(shí)現(xiàn)XAI，我們需要觀察并理解模型內(nèi)部的整個運(yùn)作過程。這項(xiàng)探索本身已經(jīng)構(gòu)成了理論計(jì)算機(jī)科學(xué)中的一大分支，其困難程度可能也遠(yuǎn)超大家的想象。

比較簡單的機(jī)器學(xué)習(xí)算法當(dāng)然相對易于解釋，但神經(jīng)網(wǎng)絡(luò)則復(fù)雜得多。即使是包括分層相關(guān)性傳播(LRP)在內(nèi)的各類最新技術(shù)，也只能顯示哪些輸入對于決策制定更為重要。因此，研究人員的注意力開始轉(zhuǎn)向本地可解釋性目標(biāo)，希望借此對模型做出的某些特定預(yù)測做出解釋。

AI模型為什么難以理解?

目前，大多數(shù)ML模型基于人工神經(jīng)元。人工神經(jīng)元(或稱感知器)使用傳遞函數(shù)對一個或多個加權(quán)輸入進(jìn)行組合。以此為基礎(chǔ)，激活函數(shù)將使用閾值以決定是否觸發(fā)。這種方法，實(shí)際上限制了神經(jīng)元在人腦中的工作方式。

作為一種常見的ML模型，神經(jīng)網(wǎng)絡(luò)由多層人工神經(jīng)元組成。輸入層與重要特征擁有相同的輸入數(shù)量，同時輔以大量隱藏層。最后，輸出層也將擁有與重要特征相同的輸出數(shù)量。

我們以最簡單的應(yīng)用場景為例，考慮ML模型如果根據(jù)今天是星期幾及是否屬于假期來預(yù)測您的起床時間。

在隨機(jī)分配權(quán)重的情況下，模型會生成錯誤的結(jié)果，即我們周三需要在上午9點(diǎn)起床。

我們當(dāng)然不可能以手動方式為每個人工神經(jīng)元設(shè)置確切的權(quán)重。相反，我們需要使用所謂反向傳播過程，算法將在模型中反向運(yùn)作，借此調(diào)整網(wǎng)絡(luò)的權(quán)重與偏差，力求將預(yù)測輸出與預(yù)期輸出間的差異控制在最小范圍。在調(diào)整之后，結(jié)果是周三早上應(yīng)該7點(diǎn)起床。

信任與道德

技術(shù)信任問題正變得愈發(fā)重要，畢竟我們已經(jīng)在嘗試使用AI診斷癌癥、識別人群中的通緝犯并做出雇用/解雇決策。如果無法實(shí)現(xiàn)AI人性化，又怎么能要求人們向其給予信任呢?如果沒有這種信任，以符合道德的方式加以使用更是癡人說夢。

對于這個重要問題，歐盟已經(jīng)通過一套關(guān)于可信AI的道德準(zhǔn)則，針對AI是否符合道德及具備可信度設(shè)置了七項(xiàng)測試：

• 人類代理與監(jiān)督：AI系統(tǒng)不可在人類不具備最終決定權(quán)的情況下做出決策。
• 技術(shù)的健壯性與安全性：在使用AI技術(shù)之前，必須明確其是否可靠，包括具備故障保護(hù)能力且不會被黑客入侵。
• 隱私與數(shù)據(jù)治理：AI模型往往需要處理個人數(shù)據(jù)，例如通過醫(yī)學(xué)造影圖像診斷疾病。這意味著數(shù)據(jù)隱私將非常重要。
• 透明度：AI模型應(yīng)該具備人類可解釋的基本屬性。
• 多樣性、非歧視性與公平性：主要涉及我們前文討論過的偏見問題。
• 環(huán)境與社會福祉：在這里，準(zhǔn)則制定者們希望消除人們對于AI技術(shù)發(fā)展造成反烏托邦式未來的擔(dān)憂。
• 問責(zé)制度：必須建立起獨(dú)立的監(jiān)督或監(jiān)控制度。

當(dāng)然，指南也強(qiáng)調(diào)，必須以合法方式使用AI技術(shù)。

AI的人性化之路

本文關(guān)注的重點(diǎn)只有一個：人工智能該如何實(shí)現(xiàn)人性化，從而切實(shí)建立起自身可信度。

人類很難相信自己無法理解的機(jī)器，并最終阻礙了我們從這一創(chuàng)新技術(shù)中切實(shí)受益。

這個問題在軟件測試自動化領(lǐng)域表現(xiàn)得尤其明顯，因?yàn)榇祟愊到y(tǒng)的意義就是在應(yīng)用方案發(fā)布之前找到其中存在的潛在問題。如果不了解具體流程，我們要如何確定測試結(jié)果的正確性?如果做出了錯誤決定，該怎么辦?如果AI系統(tǒng)遺漏了某些問題，我們該如何發(fā)現(xiàn)或者做出響應(yīng)?

為了解決這個難題，必須將ML算法與測試體系結(jié)合起來，實(shí)現(xiàn)決策制定與相應(yīng)數(shù)據(jù)間關(guān)聯(lián)關(guān)系的可視化。只有這樣，我們才能徹底告別暗箱式AI。這是一項(xiàng)踏踏實(shí)實(shí)的工作，沒有奇跡、沒有魔法，可以依賴的只有不懈努力與對機(jī)器學(xué)習(xí)美好未來的憧憬。