載入中 ...
人工智慧（Artificial Intelligence，AI）是這世代的熱門詞彙，以後不用公車司機交給 AI 就好，以後不用醫生看診交給AI 就好，以後不用警察巡邏交給 AI 就好，有種「只要有 AI，一切沒問題」的感覺。然而，AI 沒有想像中那麼神，反而很笨無法指出自己的錯誤，還會複製人類的刻板印象。
- 知名圖庫 ImageNet 將白色禮服的美國新娘的圖片標註為「新娘」、「禮服」，而將穿著紗麗的北印度新娘圖標記為「表演藝術」。
- 常用於語言分析的「詞嵌入」演算法（word2vector），將「女人」和「家庭主婦」放在同一個詞組中。
- Nikon 相機的眨眼偵測功能，總是認定亞洲人在眨眼。註1
身為眼睛小的女人的我看到這些結果，真的快氣到翻桌，難道眼睛小錯了嗎！沒想到這種超「政治不正確」的錯誤居然發生在AI上啊！
餵給機器學習的圖片來源若以美國為主，機器就會將白色的新娘標記為「新娘」，右方的則標註為「表演藝術」。圖／截圖自網頁
為什麼 AI 會犯這樣的低級錯誤？我們應如何「教育」AI，以避免造成學習偏差？
面對這些問題，2019 年 10 月，科技部人社中心辦理了「AI與性別論壇」，邀集性別研究學者和理工背景的學者共同研究、討論，希望未來能朝向性別平等的發展方向。
歧視與偏見從何而來？打開演算法的黑盒子
對深度學習演算法有概念的人都知道：AI 並不能夠如神一般憑空生出答案，其運作邏輯是提供數以萬則的內容，讓它學習如何判讀資料，學成完畢再提供其他內容，就能吐出答案。
假若人提供給 AI 的資料本身就有偏見，AI 做出的分析也有偏見，要知曉 AI 為何產生偏見，就要從演算法如何學到歧視來談起。
跨足性別與計算社會學研究的高醫性別研究所助理教授余貞誼表示，演算法的進行過程必定有「人為操控」的成分，可從演算法操作的四個步驟來說明：
（1）決定測量指標
當我們仰賴 AI 來做判斷時，勢必得將社會科學問題變成「可量化」的數值指標，例如在判斷求職者是否具備「領導力」時，就有衡量領導力的有效指標，可能是下屬的服從性、情緒管控程度……等。
「所以在決定用什麼測量指標時，已經蘊含特定的價值選擇。」余貞誼說。這就像是當我們以「年收入」作為衡量職業價值的指標時，注定只有工程師、醫生是最有價值的。
（2）餵資料進演算法
余貞誼分析ptt各版上與「結婚」相近的詞彙。圖／簡鈺璇
「給機器什麼資料就會吐出什麼結果」，她表示在 PTT 男女版、gay 版和拉版上進行詞嵌入分析，就會發現「結婚」、「生小孩」的詞彙在各版的意義不同。因此，若餵給機器的資料有偏差，得出來的結果也會有問題。
（3）資料的篩選與清理
以詞嵌入分析來說，一組詞彙的關聯詞組可能有 100 多個啊！為什麼工程師只挑 20 個詞組留下來呢？這 20 個詞組能反映真實的狀況嗎？
（4）將大數據變成「厚數據」
AI 得到的東西是簡答，但科學家需要將它再詮釋，解釋為何會跑出這樣的結果，錯誤的詮釋會得到不同的結果。像是 AI 臉部辨識系統傾向將黑人偵測為犯罪者，但不會告訴我們為什麼是這樣的結果，若政府因為錯誤詮釋，認為特定族群就是天生好鬥，而採取有問題的政策，後果就不堪設想。
解決AI偏見的幾個解方
那麼面對這堆演算法的問題，有沒有辦法解決呢？如何避免機器成為「性別盲」和「種族主義者」呢？學者提出以下幾個解方：
（1）透明化演算法
「陽光是最好的殺蟲劑」余貞誼認為，演算法被認為是黑箱，是因為大眾不知道許多演算法的設計過程及資料的建立方式，她建議工程師應該將演算法的過程公開，讓大家有檢視與討論的機會。
（2）建立檢核演算法的機制
有些演算法的參數可以被歸納，但更多時候是我們餵給機器一堆東西，根本不知道它運算所考慮的參數。
黃從仁把AI當成人來研究，測出機器人對美的判斷標準，結果發現塗白全臉的分數最高。圖／簡鈺璇
臺大心理系助理教授黃從仁就把AI當成人來研究，透過實驗法與觀察法，測出線上選美比賽的判斷標準，找到AI的bug所在，原來把臉塗成全白在比賽中會拿下冠軍。也許用回推的方式，有助於我們理解AI的侷限與偏見。
（3）理解資料建立的歷史，及它所反映的權力關係
臺大社會系教授吳嘉苓說：「科技使用某程度反映我們在這個社會中的權力關係。」像是輔助型機器人、語音助理總是女性，戰鬥型機器人則為男性，作為程式設計者需要意識到這個問題，去思考為什麼要這樣設計。
圖／吳嘉苓認為，科技使用反映社會的權力關係，值得大家好好思考。圖／簡鈺璇
科學領域中性別比例均衡也是能讓演算法價值多元的方式，吳嘉苓提到，世界經濟論壇的統治指出，在AI研究領域中男性高達78%，而女性僅有22%。
（4）從AI 到 AIs 促成演算法間的對話
臺大語言所副教授謝舒凱表示，AI 應用的目的就是要優化分類效率，而非以價值多元為取向，假使你要機器辨析誰是男生、誰是女生，你不能要機器體認到穿裙子的人可能是男生吧！因為穿裙子又是男生機率太難估算了。
此外，深度學習常是 supervised（監督式）學習，需給電腦正確答案，但一來人本身就是有偏見的，二來電腦若要考慮個別差異，給出不同的答案，那麼注定犧牲運算效能。
謝舒凱認為，AI追求效能優化與我們期待的價值多元是互相抵觸的。圖／簡鈺璇
謝舒凱坦言，科技部訂定「人工智慧科研發展指引」註2的立意良善，強調AI研究發展要有「以人為本」、「永續發展」及「多元包容」的核心價值，這牴觸 AI 的發展本質，所以能做的事很有限。
「From AI to AIs」才是重點，他認為目前偏向通用演算法的發展方式，大家都是根據某些 code 做改良，但單一演算法稱霸容易產生盲點，因此演算法的開發也應該多元，讓不同 AI 間可以互動和比對，「社會學家應該做出為人類發展的AI！」
行文至此，我們或許可以思考 AI 的發展意義，以及 AI 發展中所帶來的得與失，也許就會發現很多問題根本不適合用 AI 解決，而控制與效率也未必是最好的價值。
註釋
- AI can be sexist and racist — it’s time to make it fair
- 科技部訂定「人工智慧科研發展指引」 完善我國AI科研發展環境
